基于图神经网络的量子电路输出预测

量子电路的输出预测是开发量子设备中不可或缺的难题。受量子电路天然图表示的启发，本文提出一种基于图神经网络（GNN）的框架，用于预测量子电路在噪声和无噪声条件下的输出期望值，并比较不同参数化量子电路（PQC）的性能。我们使用非参数化量子门集合构建噪声和无噪声条件下的数据集，以预测电路的期望值。GNN的节点特征向量专门设计包括噪声信息。在仿真中，我们将GNN的预测性能与在相同数据集上的卷积神经网络（CNN）进行比较，并考察其对量子比特的扩展性。实验结果表明，GNN在各种条件下均表现出优于CNN的预测准确性。随后，我们利用参数化量子门集合构建噪声PQC，并计算氢分子的变分量子本征值（VQE）的基态能量。我们提出两种方案：间接比较方案，即直接预测基态能量并随后比较电路性能；直接比较方案，即直接预测两种电路的相对性能。仿真结果表明，与间接比较方案相比，直接比较方案在相同数据集上的平均性能提升了36.2%，为使用GNN预测PQC整体属性提供了新的有效视角，具体而言，通过聚焦于PQC性能差异，实现了更好的预测效果。