利用多模态扩散模型合成离散-连续量子电路

高效编译量子操作仍然是扩展量子计算的主要瓶颈。当前最先进的方法通过结合搜索算法和基于梯度的参数优化来实现低编译错误，但它们运行时间长，需要多次调用量子硬件或昂贵的经典模拟，这使得它们的扩展成本过高。最近，机器学习模型作为一种替代方案出现，尽管它们目前仅限于离散门集。在这里，我们引入了一个多模态去噪扩散模型，该模型同时生成电路结构及其连续参数，用于编译目标酉矩阵。它利用两个独立的扩散过程，一个用于离散门选择，另一个用于参数预测。我们在不同实验中对该模型进行了基准测试，分析了该方法在不同量子比特数、电路深度和参数化门比例下的准确性。最后，通过利用其快速电路生成能力，我们为特定操作创建了大型电路数据集，并利用这些数据提取有价值的启发式信息，这有助于我们发现量子电路综合的新见解。