因斯布鲁克大学的研究人员公布了一种在给定量子计算机上准备量子操作的新方法，使用机器学习生成模型来找到执行量子操作的适当量子门序列。

这项研究最近发表在《自然·机器智能》杂志上，标志着在实现全面量子计算方面向前迈出了重要一步。

扩散模型等生成模型是机器学习(ML)领域最近最重要的发展之一，稳定扩散和DALL·E等模型彻底改变了图像生成领域。这些模型能够根据文本描述生成高质量的图像。

该大学理论物理系的GorkaMuñoz-Gil解释道：“我们用于量子计算机编程的新模型具有相同的功能，但它不是生成图像，而是根据要执行的量子操作的文本描述生成量子电路。”奥地利因斯布鲁克。

为了在量子计算机上准备某种量子态或执行算法，需要找到适当的量子门序列来执行此类操作。虽然这在经典计算中相当容易，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，这些机器学习模型的训练通常非常困难。扩散模型由于其训练方式而避免了此类问题。

“这提供了巨大的优势，”Muñoz-Gil解释道，他与HansJ.Briegel和FlorianFürrutter一起开发了这种新颖的方法。“此外，我们表明去噪扩散模型的生成是准确的，而且非常灵活，允许生成具有不同数量的量子位以及量子门的类型和数量的电路。”

这些模型还可以进行定制，以准备考虑量子硬件连接性的电路，即量子位在量子计算机中的连接方式。“一旦模型经过训练，生产新电路的成本就非常低，因此人们可以用它来发现有关感兴趣的量子运算的新见解，”穆尼奥斯-吉尔说。

因斯布鲁克大学开发的方法根据用户规范生产量子电路，并根据电路运行的量子硬件的特性进行定制。这标志着在全面释放量子计算方面向前迈出了重要一步。