arXiv cs.AI· Kunal Kumar, Kimberlee Keithley, Toshiya Iwamori, Shu Kanno, Ikko Hamamura, Takao Kobayashi, Akira Koseki, Qi Gao, Naoki Yamamoto, Hiroshi Horii, Yuri Kobayashi, Borja Peropadre, Kouhei Nakaji, Toru Imai, Takayuki Osogami·· 10 小时前AI 评分34
基于硬件训练的生成式量子本征求解器：面向高达70量子比特的有机锡氢氧化物采样量子对角化
A Hardware-Trained Generative Quantum Eigensolver for Sample-Based Quantum Diagonalization of Organotin Hydroxides up to 70 Qubits
AI 导读
研究者用IBM Heron处理器ibm_kobe在训练回路中训练生成式量子本征求解器（GQE）策略，在46和70量子比特下生成采样量子对角化（SQD）所需的状态制备电路。在46-70量子比特的28次运行中，27次结果与DMRG参考值相差15 mHa以内（中位数4.5 mHa）；56-70量子比特下所选电路的两比特门数比同设备转译的LUCJ电路少34-72倍。
正文 · AI 翻译
作者：Kunal Kumar、Kimberlee Keithley、Toshiya Iwamori、Shu Kanno、Ikko Hamamura、Takao Kobayashi、Akira Koseki、Qi Gao、Naoki Yamamoto、Hiroshi Horii、Yuri Kobayashi、Borja Peropadre、Kouhei Nakaji、Toru Imai、Takayuki Osogami
摘要：量子硬件可以为训练电路生成器提供反馈，其能力超出精确经典模拟的范围。我们训练生成式量子本征求解器（GQE）策略——以分子描述符为条件的 transformer——来为基于采样的量子对角化（SQD）生成态制备电路。训练先在无噪声模拟器上进行，然后将 IBM Heron 处理器 ibm_kobe 置于循环中，在 46 和 70 个量子比特上进行（四次主要训练运行共 $1.2 \times 10^8$ 次采样）。训练分子的经典 CCSD(T) 参考能量仅进入一个准入条件以及两个辅助奖励项。在硬件训练期间，奖励惩罚可防止策略坍缩为仅采样 Hartree-Fock 行列式的电路。在过渡金属配合物上训练的策略无需重新训练即可应用于 Sn(OH)$_3$-Me 及其水合物——用于极紫外光刻的有机锡光刻胶的最小模型——从 32 到 70 个量子比特。经过一轮硬件采样，随后进行经典排序，并利用分子哈密顿量恢复缓存的计数且不再调用 QPU，在 46-70 个量子比特下的 28 次运行中有 27 次与密度矩阵重整化群（DMRG）参考值的偏差在 15 mHa 以内（中位数 4.5 mHa），并且在所有八次带有未训练对照的运行中，训练后的策略都更准确。在 56-70 个量子比特下，所选电路使用的双量子比特门比针对同一设备转译的局部酉簇 Jastrow（LUCJ）电路少 34-72 倍。这些结果表明，电路生成器可以在 70 个量子比特下利用量子硬件进行训练。
| 评论： | 76 页（26 页正文，50 页附录），24 幅图，38 张表 |
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI）；化学物理（physics.chem-ph） |
| 引用为： | arXiv:2611.13755 [quant-ph] |
| （或 arXiv:2611.13755v1 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13755 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kunal Kumar Dr. [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 08:54:35 UTC（8,413 KB）
来源：arXiv cs.AI · arxiv.org