TopGen：面向变分量子电路的拓扑感知自底向上生成器

变分量子算法（VQA）有望在近 term 设备上展现量子优势。设计 ansatz（带参数化门的变分电路）对 VQA 至关重要，因其为参数优化奠定基础。由于含噪中等规模量子（NISQ）机器上的较大噪声，在 ansatz 设计过程中考虑电路规模与真实器件噪声是必要的。遗憾的是，近期 ansatz 设计工作要么不考虑噪声影响，要么仅将真实器件视为无具体噪声信息的黑箱。本工作中，我们提出通过设计适配目标机器上量子比特拓扑的专用 ansatz 来打开黑箱。具体地，我们提出一种自底向上方法来生成拓扑专用 ansatz。首先，我们生成具备高表达性与纠缠能力等理想性质的拓扑兼容子电路；随后将这些子电路组合形成初始 ansatz。我们进一步提出电路缝合以解决子电路间稀疏连接问题，以及动态电路生长以提升精度。用此方法构建的 ansatz 高度灵活，因此我们能探索比先前 SOTA 方法大得多的设计空间（后者所有 ansatz 候选均为预定义大 ansatz 的严格子集）。我们使用一种流行 VQA 算法——用于机器学习（ML）任务的量子神经网络（QNN）作为基准。在 14 个 ML 任务上的实验表明，在相同性能下，TopGen 搜索的 ansatz 可将电路深度与 CNOT 门数量分别减少至多 2 倍与 4 倍。在 three 台真实量子机器上的实验平均较基线提升 17% 准确率。