大型量子处理器高效预测替代模型的演示

这对未来计算意味着什么

量子计算机有望解决当今机器难以应对的问题，从模拟新材料到探索奇异物质态。然而，最先进的量子处理器昂贵、脆弱且稀缺，这限制了可访问性和使用频率。本研究提出了一种方法，将大型量子处理器的典型行为“封装”到一个高效的经典模型中，从而在仅需有限访问真实量子设备的情况下，许多任务都可在普通计算机上完成。

捕捉量子计算机的指纹

作者关注一个出现在许多量子算法中的关键量：在有噪声的处理器上运行量子电路后测量的平均值。他们不是模拟每一个微观细节，而是构建所谓的预测性替代模型。这些是基于实际超导量子芯片获取的数据训练而成的经典学习模型。训练完成后，替代模型可以快速预测新电路设置下的测量平均值，无需再次调用量子硬件，并且自动反映该芯片的真实噪声与不完美特性。

两类数字替代器

团队设计并分析了两种适用于不同用例的替代器。第一种称为 h_cs，处理控制参数相互独立变化的电路，并支持同时进行多处局部测量。它建立在经典阴影（classical shadows）思想之上，这是一种将随机化测量的信息压缩为紧凑经典表示的技术。第二种称为 h_qs，针对电路中许多参数相互关联的情形，这在材料、化学或机器学习的量子模拟中常见。它设计为可与来自任意分布的相关输入协同工作，更贴近实际科学工作负载的特点。

将替代器投入使用

为验证这些想法，研究者在最多可用42个量子比特的超导量子处理器上开展实验。首先他们展示了 h_cs 能可靠地预测模型量子磁体——一维横场伊辛模型——在多种模型参数选择下的能量。随后他们用该替代模型预训练一种广泛使用的例程：变分量子本征值求解器（VQE）。优化过程完全在经典计算机上、由替代模型引导进行，之后仅在真实量子芯片上进行检查和小幅精调。这种方法将所需的量子测量次数削减了几个数量级，同时得到的能量估计比从头在量子硬件上运行完整优化更低。

揭示受驱动物质中的隐含相

第二种替代模型 h_qs 被用于更为特殊的任务：识别一条周期驱动自旋链中的特殊相，这类相被称为 Floquet 对称性保护的拓扑相。传统上，绘制这些相图需要在控制设置变化时对量子设备进行大量重复测量。作者的做法是训练一族替代模型，使其学习链上局域磁化如何响应驱动。仅凭训练好的模型进行经典计算，他们重构出了长寿命边缘振荡的特征，并定位了受保护相与无特征热相之间的相变位置，与直接在量子硬件上的实验结果一致。

这对获取量子能力意味着什么

通过证明这些替代模型可以高效训练并展示其在真实设备上可扩展到数十个量子比特，该工作提出了一种共享稀缺量子资源的新途径。对先进处理器进行有限的一组测量，可以提炼成一个可重复使用的经典模型，供许多用户廉价查询。虽然此类替代模型不能替代量子计算机，但对于基于测量平均值的任务，它们能大幅减少对硬件运行的需求，从而使材料、化学和新型物质相的实用量子辅助研究更接近日常科学应用。

引用: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

关键词: 量子处理器, 预测替代模型, 变分量子本征值求解器, 数字量子模拟, Floquet 相

在研究团队网站查看更多: http://staff.ustc.edu.cn/~quanhhl/