内容来源：量子前哨（ID：Qforepost）

文丨沛贤/浪味仙 排版丨沛贤

深度好文：1000字丨5分钟阅读

摘要：奥地利因斯布鲁克大学的研究团队，开发出一种机器学习模型，能够根据文本描述生成可执行的量子电路，在量子计算编程中展现出巨大优势。

计算机编程，核心逻辑是精准描述底层电路。在经典计算机中，逻辑门作为数字电路中的基本构建块，能够接收输入信号并产生输出信号，也就是我们所熟知的 0 和 1，程序员发挥编程技能，就能在浩瀚无垠的 0、1 宇宙中构建各种应用程序，令你畅玩其中。

但在量子计算机中，拜量子的神奇特性所赐，编程的核心逻辑虽然没变，可难度却增加了几个数量级，故而成为量子计算中的一个巨大挑战。

前不久，因斯布鲁克大学的研究人员取得了一项突破性进展：利用机器学习模型生成量子电路。这项研究成果已发表在《自然机器智能》（Nature Machine Intelligence）期刊上，并吸引了来自奥地利科学基金 FWF 以及欧盟等相关机构的资助。

近些年来，作为机器学习最重要的发展成果之一，生成式人工智能模型火爆全球。以扩散模型为例，OpenAI 的 DALL·E、Google 的 Image，以及 Stability AI 的 Stable Diffusion，都是其优秀代表：这类文生图模型可根据文本描述生成高质量图像，因而颠覆了整个图像生成领域。此次，研究人员将生成式模型应用于量子计算领域，开发出可用于量子计算编程的新模型，能够根据要执行的量子操作的文本描述，生成可执行的量子电路。

在过去很长一段时间中，研究者们不断提出用于构建量子电路的创新方法，其中很多都依赖于机器学习。然而，由于机器学习需要大量的模拟量子电路，这使得训练这些机器学习模型变得困难重重，而生成式人工智能模型因其独特的训练机制避免了此类问题，在量子计算编程中展现出巨大优势。

作为新模型的联合开发者，因斯布鲁克大学理论物理系的博士后研究员 Gorka Muñoz-Gil 表示：“此种方法具有显著优势。我们进一步证实，去噪扩散模型的生成不仅精确，而且极具灵活性，支持生成不同数量的量子比特、量子门类型以及电路。”

值得一提的是，这些模型还支持定制，可根据电路所运行的量子硬件特性进行适配与优化。一旦模型完成训练，生成新量子电路的成本将大幅降低，使相关研究者能够高效探索量子计算的更多应用。

参考文献：

“利用扩散模型进行量子电路合成”，作者：Florian Fürrutter、Gorka Muñoz-Gil 和 Hans J. Briegel，2024 年 5 月 20 日，Nature Machine Intelligence。DOI：10.1038/s42256-024-00831-9