QFlowNet：基于生成流网络的快速、多样且高效的单位综合
量子物理
2026-03-05 v2 人工智能
摘要
单位综合是将单位矩阵分解为量子门序列的基本挑战。现有的强化学习（RL）方法常因稀疏奖励信号受限，需复杂的奖励调制或长时间训练，通常仅收敛到单一策略，缺乏解决方案的多样性。本文提出了 QFlowNet，一种新型框架，通过将生成式流网络（GFlowNet）与 Transformer 配对，学习来自稀疏信号的高效方法。我们的做法解决了两个关键挑战。首先，GFlowNet 框架本质上旨在学习多样化的策略，以按比例采样解决方案，从而克服 RL 的单解限制，同时比其他生成模型（如扩散模型）具有更快的推理速度。其次，Transformer 作为强大的编码器，捕捉单位矩阵的非局部结构，将高维状态压缩为稠密的潜在表示供策略网络使用。我们的智能体在 3 量子比特基准测试（长度为 1-12）中实现了 99.7% 的整体成功率，并发现了一组多样化的紧凑电路，使 QFlowNet 成为单元综合的高效且多样的方法范式。
关键词
引用
@article{arxiv.2603.03045,
title = {QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks},
author = {Inhoe Koo and Hyunho Cha and Jungwoo Lee},
journal= {arXiv preprint arXiv:2603.03045},
year = {2026}
}
备注
7 pages, 6 figures, IEEE International Conference on Quantum Communications, Networking, and Computing (QCNC 2026)