【儀表網 研發快訊】近日，電子科技大學基礎與前沿研究院、量子物理與光量子信息教育部重點實驗室與華為技術有限公司達成深度合作，依托華為自研的MindQuantum量子模擬平臺，在量子人工智能(Quantum AI)方向取得重要進展。團隊首次在主流量子比特架構上，定量評估了高維互文(contextual)量子態的模擬成本，揭示了強量子互文性有助于降低量子AI算法的運行資源需求。此項研究成果以題為“Cost of locally approximating high-dimensional ground states of contextual quantum models”的論文發表于中國科學院一區Top期刊《Communications Physics》上。基礎與前沿研究院博士后楊愷雁、2022級碩士研究生朱彥錚為論文共同第一作者，王子竹教授為通訊作者，電子科技大學基礎與前沿研究院第一單位。
圖1：高維量子電路框架，其中每個高維量子門由保對稱性的量子比特門集合編碼，由此得到本研究中模擬高維互文量子態的保對稱性量子比特電路
圖2：圖中每個點表示一個具有量子互文性的基態，其基態能量密度越低表示該基態的量子互文性越強。該圖展示了反直覺的規律：量子互文性越強的基態更容易被模擬
量子互文性是區分量子與經典世界的核心特性，也是量子計算與量子機器學習實現優勢的關鍵資源。研究團隊通過構建全新的“保對稱性”通用量子比特門集合，以及高效的對稱性量子電路框架，模擬三維(qutrit)互文基態。結果表明，在相同的經典與量子資源投入下，具有更強互文性的高維基態反而更易通過變分量子電路逼近，進一步開拓了Quantum AI在優化和并行計算上的潛力。
研究的數值模擬均在華為MindQuantum平臺上實現，雙方聯手優化了變分量子算法的迭代流程，使其在多達14個量子比特的對稱子空間中，也能高效獲得收斂結果，充分發揮了MindQuantum在大規模參數化量子電路仿真、GPU/CPU協同加速方面的優勢。
此次合作不僅深化了對量子互文性與量子資源消耗之間復雜關系的理解，也為Quantum AI在化學模擬、優化計算、量子機器學習等前沿領域的應用指明了新方向。
所有評論僅代表網友意見，與本站立場無關。