QuEra 支持的研究称，AI 设计的电路降低了关键量子构件的资源估算
来自 Harvard、Anthropic 和 QuEra 研究人员的一篇预印本报告称，通过 LLM 驱动的搜索找到的电路，在八个子程序中的七个里使用了更少的 Toffoli 门和量子比特。
本页由英文翻译而来。公司和产品名称及来源链接保持不变。 阅读英文原文
QuEra Computing 于 11 月 10 日介绍了与 Harvard University 和 Anthropic 合作的一篇研究预印本。该预印本报告称，一个在自动检查器引导下的大语言模型，找到了比标准设计所需资源更少的量子电路。预印本题为“Discovering state-of-the-art quantum circuits with large language models”（arXiv:2610.22367）。
研究做了什么
根据 QuEra 的新闻稿，团队将 Anthropic 的 Claude 与一个独立评估器配对。评估器会验证每个提出的电路，并依据两个数字打分：Toffoli 门数量和量子比特数量。模型利用这些反馈改进设计。研究考察了在更大型量子算法内部使用的八个构件。在其中七个构件上，AI 设计的电路相较基线设计同时减少了门数量和量子比特需求；在第八个构件上，搜索找到了两者之间新的权衡点。
新闻稿称，这项工作由 Andi Gu 作为 Anthropic STEM Fellows Program 的一部分主导，合作者包括 Anthropic 的 Alek Kemeny、Harvard 的 Susanne Yelin，以及 Harvard 和 QuEra 的 Mikhail Lukin。
报告的数字
QuEra 的新闻稿列举了三个例子。对于 decoded quantum interferometry 中使用的 Reed-Solomon 解码器，Toffoli 门从 510 万个降至约 44 万个，量子比特也有所减少。对于分子模拟中使用的 Coulomb 势，Toffoli 门从 6,355 个降至 1,140 个，量子比特从 252 个降至 142 个。对于一个定点 Gaussian 函数，Toffoli 门从约 2.4 万个降至 1,583 个，量子比特从 362 个降至 139 个，综合指标降低了 39 倍。
重要提示
新闻稿本身强调，综合指标是用 Toffoli 数量乘以峰值逻辑量子比特数，因此 39 倍的改进并不等于 39 倍的加速。这些结果是针对单个构件的资源估算，而非在量子硬件上的运行结果，其对完整应用的影响取决于这些构件如何被使用。该论文是一篇预印本，尚未经过同行评审。
来源
本页事实信息来自以下来源，由 DesignQuantum™ 整理。