生成式人工智能徹底改變了量子計算機編程

研究人員開發(fā)了一種機器學習模型，可以根據(jù)文本描述生成量子電路，類似于穩(wěn)定擴散等模型創(chuàng)建圖像的方式。這種方法提高了量子計算的效率和適應性。

機器學習 (ML) 領域最近最重要的發(fā)展之一是生成模型，例如擴散模型。其中包括穩(wěn)定擴散和Dall.e，它們正在徹底改變圖像生成領域。這些模型能夠根據(jù)文本描述生成高質(zhì)量的圖像。

奧地利因斯布魯克大學理論物理系的 Gorka Muñoz-Gil 解釋道：“我們用于編程量子計算機的新模型也具有同樣的功能，但它不是生成圖像，而是基于要執(zhí)行的量子操作的文本描述來生成量子電路。”

量子計算挑戰(zhàn)

為了準備某種量子態(tài)或在量子計算機上執(zhí)行算法，需要找到適當?shù)牧孔娱T序列來執(zhí)行此類操作。雖然這在傳統(tǒng)計算中相當容易，但由于量子世界的特殊性，這在量子計算中是一個巨大的挑戰(zhàn)。最近，許多科學家提出了構建量子電路的方法，其中許多依賴于機器學習方法。然而，由于機器學習時需要模擬量子電路，因此訓練這些 ML 模型通常非常困難。擴散模型因其訓練方式而避免了此類問題。

“這提供了巨大的優(yōu)勢，”與 Hans J. Briegel 和 Florian Fürrutter 共同開發(fā)了這種新方法的 Gorka Muñoz-Gil 解釋道。“此外，我們表明去噪擴散模型在生成時非常準確，而且非常靈活，可以生成具有不同數(shù)量量子比特以及不同類型和數(shù)量的量子門的電路。”

這些模型還可以定制以準備考慮量子硬件的連接性的電路，即量子位在量子計算機中的連接方式。

Gorka Muñoz-Gil 指出了新方法的另一個潛力：“由于模型訓練完成后，制作新電路的成本非常低，人們可以用它來發(fā)現(xiàn)有關感興趣的量子操作的新見解。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！