AMD GPU 利用 Transformer 应对量子电路优化

根据在 IEEE 国际量子计算与工程会议（QCE 2026）上发布的一项研究，研究人员正在利用 AMD Instinct MI300X GPU 和 Transformer 模型探索 AI 驱动的量子电路优化。这项研究展示了将神经网络应用于优化量子电路的潜力和挑战，尤其是在处理 Clifford+T 等离散门集合时，这在容错量子计算中至关重要。

量子电路优化对于最大化量子硬件的效率至关重要。通过最小化不必要的操作，研究人员旨在降低执行成本和错误率，这是嘈杂中等规模量子（NISQ）设备时代的关键因素。研究的重点是 Transformer 模型是否可以自主学习当前依赖于 PyZX 和 Qiskit 等经典工具的优化策略。

研究结果喜忧参半。Transformer 模型在优化参数化量子电路方面表现出色，经过少量后处理后实现了接近完美的结构精度和高保真度。然而，当应用于完全离散的 Clifford+T 电路时——在这种情况下，精确正确性是必须的——随着电路长度的增加，性能急剧下降。这种被称为“自回归漂移”的问题，是由于在序列生成过程中小的预测错误累积，导致在较长电路上几乎不可能实现精确的功能等效性。

主要发现

• 在 AMD GPU 上训练的 Transformer 模型可以成功优化参数化量子电路，其结构精度超过 99%，在涉及 3–6 个量子比特的电路中中位保真度达到 1.000。
• 对于 Clifford+T 电路，随着序列长度的增加，精确等效率显著下降，在短电路（1–9 个门）上的成功率为 97.5%，但在超过 26 个门的电路上性能接近于零。
• 增加训练数据比增加推理时的计算能力或模型规模对模型性能的影响更大。将数据集从 200,000 样本扩展到 500,000 样本，几乎使中等长度电路的成功率翻倍。
• AMD Instinct MI300X GPU 支持大规模实验，包括对模型架构、训练数据和推理策略的系统评估。这些 GPU 的高内存容量使研究人员能够为每个电路生成数百个候选解决方案，从而隔离影响正确性的因素。

为什么重要

量子电路优化是推进实用量子计算的瓶颈。Clifford+T 门集合中的 T 门等操作由于魔态蒸馏等要求而消耗大量资源。减少 T 门数量同时保持精确等效性是量子编译中的核心目标。

通过 AI 模型自动化这一过程可能显著加速量子软件开发，从而更高效地利用量子硬件。然而，研究强调，目前的 Transformer 模型仍不足以替代经典优化工具，尤其是在离散电路方面。相反，AI 辅助经典工具的混合方法可能是近期内最实用的解决方案。

对量子和 AI 研究的影响

研究结果凸显了解决自回归漂移的重要性，这种失败模式限制了 AI 模型为离散任务生成精确输出的能力。这一挑战类似于自然语言处理中出现的“暴露偏差”，但更为严重，因为即使是一个错误的门也会使整个电路无效。

对于 AMD 来说，这项研究展示了其 Instinct MI300X GPU 在推动 AI 研究方面的能力。这些 GPU 的性能不仅加速了训练，还支持了广泛的推理实验，使其成为 AI 和量子计算研究人员的宝贵工具。这与当前行业趋势一致，即注意力模型越来越多地用于跨科学领域的优化任务。

下一步

为了缩小 AI 和经典工具之间的差距，未来的研究可能会专注于扩展训练数据集、改进模型架构以及开发将 AI 生成建议与经典验证方法集成的混合工作流。目前，AMD 的硬件基础设施为这类前沿实验提供了强大的平台。

对于有兴趣在 AMD 硬件上探索 AI 工作负载的开发者，该公司通过其 AI 开发者计划 提供资源，包括为符合条件的参与者提供价值 100 美元的云积分。这些工具使用户能够使用 AMD Instinct 加速器和 ROCm 软件进行模型训练、微调和部署。