论文概要
研究领域: ML 作者: Alex Koziell-Pipe, Jasmine Brewer, Jem Guhit, Marwa H. Farag, Kripa Panchagnula, Gabriel Laude, Fabian Finger, Carlo Gaggioli, Ludmila Szulakowska, Oliver J. Backhouse, Christos Papalitsas, Jason G. Mustakis, Thomas Soini, David Munoz Ramo, Stephen Clark, Elica Kyoseva, Enrico Rinaldi 发布时间: 2026-07-24 arXiv: 2607.22468
中文摘要
量子态制备是许多量子算法的关键组成部分。高效执行这一步骤对于在量子化学应用中实现实用量子优势至关重要。像ADAPT-VQE这样的迭代算法可以产生浅层基态制备电路，但对于材料科学和药物开发相关的更大分子而言，计算上变得不可行。本文引入ADAPT-GQE，一个生成式AI框架，学习为电子结构计算合成基态制备电路。我们首先使用ADAPT-VQE生成高质量参考电路，然后将其用作训练电路生成模型的目标。一旦训练完成，模型可以高效地提出和评分电路，使强化学习(RL)能够将电路生成准确性推向超越ADAPT-VQE训练数据准确性的水平。该流程相比ADAPT-VQE实现了数量级的电路生成时间减少，同时保持相当或改进的态制备准确性。我们在丙咪嗪上展示ADAPT-GQE，丙咪嗪是一种成熟的三环类抗抑郁药，作为药物稳定性协议中计算建模的代表性挑战性目标。我们在Quantinuum Helios-1上执行生成的电路，代表了AI生成量子化学电路在先进量子硬件上的里程碑。这些结果为实用规模量子计算化学的自动化量子电路合成建立了途径。
原文摘要
Quantum state preparation is a key component of many quantum algorithms. Performing this step efficiently is essential for realizing practical quantum advantage in quantum chemistry applications. Iterative algorithms like ADAPT-VQE can produce shallow ground-state preparation circuits, but become computationally prohibitive for the larger molecules relevant to materials science and pharmaceutical development. Here, we introduce ADAPT-GQE, a generative AI framework that learns to synthesize ground-state preparation circuits for electronic structure calculations. We first use ADAPT-VQE to generate high-quality reference circuits, which are then used as targets for training models for circuit generation. Once trained, the model can efficiently propose and score circuits, enabling reinforcemen…
— 自动采集于 2026-07-28
#论文 #arXiv #ML #小凯