基于深度强化学习的多芯片 NISQ 系统噪声自适应量子电路映射

从单片到分布式多芯片量子架构的转变彻底改变了电路编译格局，带来了管理时序噪声变化和最小化高成本芯间操作的挑战。我们提出 DeepQMap，一个深度强化学习框架，集成基于双向长短期记忆的动态噪声适应（DNA）网络，融合多头注意力机制和 Rainbow DQN 架构。与传统静态优化方法（如 QUBO 公式）不同，我们的方法通过对量子系统行为的学习时序表示持续适应硬件动态。对 270 个基准电路（涵盖量子傅里叶变换、Grover 算法和变分量子本征求解器）进行全面评估表明，DeepQMap 实现了均值电路保真度为 $0.920 \pm 0.023$，相较于最先进的 QUBO 方法（$0.618 \pm 0.031$，$t_{98} = 4.87$，$p = 0.0023$，Cohen's $d = 2.34$）实现了统计上显著的 49.3% 的提升。芯间通信开销降低 79.8%，从每个电路 2.34 次降至 0.47 次。DNA 网络保持噪声预测精度，决定系数 $R^2 = 0.912$，平均绝对误差为 0.87%，实现对硬件波动的主动补偿。可扩展性分析确认在 20-100 量子比特系统中保持持续性能，保真度即使在最大规模时仍保持在 0.87 以上，而竞争方法在此处会降至 0.60 以下。训练收敛速度是基准方法的 8.2 倍，耗时从 370 分钟缩短至 45 分钟。极大效应大小验证了面向近期噪声中间规模量子计算应用的实际意义。