研究人员开发了一种机器学习模型，可以根据文本描述生成量子电路，类似于稳定扩散等模型创建图像的方式。这种方法提高了量子计算的效率和适应性。
机器学习 (ML) 领域最近最重要的发展之一是生成模型，例如扩散模型。其中包括稳定扩散和Dall.e，它们正在彻底改变图像生成领域。这些模型能够根据文本描述生成高质量的图像。
奥地利因斯布鲁克大学理论物理系的 Gorka Muñoz-Gil 解释道：“我们用于编程量子计算机的新模型也具有同样的功能，但它不是生成图像，而是基于要执行的量子操作的文本描述来生成量子电路。”
量子计算挑战
为了准备某种量子态或在量子计算机上执行算法，需要找到适当的量子门序列来执行此类操作。虽然这在传统计算中相当容易，但由于量子世界的特殊性，这在量子计算中是一个巨大的挑战。最近，许多科学家提出了构建量子电路的方法，其中许多依赖于机器学习方法。然而，由于机器学习时需要模拟量子电路，因此训练这些 ML 模型通常非常困难。扩散模型因其训练方式而避免了此类问题。
“这提供了巨大的优势，”与 Hans J. Briegel 和 Florian Fürrutter 共同开发了这种新方法的 Gorka Muñoz-Gil 解释道。“此外，我们表明去噪扩散模型在生成时非常准确，而且非常灵活，可以生成具有不同数量量子比特以及不同类型和数量的量子门的电路。”
这些模型还可以定制以准备考虑量子硬件的连接性的电路，即量子位在量子计算机中的连接方式。
Gorka Muñoz-Gil 指出了新方法的另一个潜力：“由于模型训练完成后，制作新电路的成本非常低，人们可以用它来发现有关感兴趣的量子操作的新见解。”
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！