实现容错量子计算机的关键挑战之一是电路优化。

近日，英国Google DeepMind的Francisco J. R. Ruiz, Tuomas Laakkonen等，在Nature Machine Intelligence上发文，在容错量子计算中，聚焦于最昂贵的门（即T门），解决了T计数优化问题，即最小化实现给定电路所需的T门数量。

还开发了AlphaTensor-Quantum，这是一种基于深度强化学习的方法，它利用了优化t计数和张量分解之间的关系。与现有的t计数优化方法不同，AlphaTensor-Quantum可以结合关于量子计算的特定领域知识并利用小工具，这大大减少了优化电路的t计数。

Quantum circuit optimization with AlphaTensor. 

AlphaTensor优化量子电路。

图片
图1 AlphaTensor-Quantum研发流程。

图片
图2 TensorGame中的“小工具化”（gadgetisation）图解

图片
图3 AlphaTensor-Quantum对Mod 54电路的测试结果
图片
图4AlphaTensor-Quantum找到的优化电路的T门数量

文献链接

Ruiz, F.J.R., Laakkonen, T., Bausch, J. et al. Quantum circuit optimization with AlphaTensor. Nat Mach Intell (2025). 

https://doi.org/10.1038/s42256-025-01001-1

本文译自Nature。

来源：今日新材料、综合了预印本、光子盒等


（通用量子计算机必须依靠两类量子门的组合：克利福德（Clifford）门和非克利福德（non-Clifford）门。非克利福德门（例如T门）的实现更为复杂。这是因为容错量子计算需要复杂的错误纠正方案，并取决于成本高昂的“魔法态”提炼过程。在容错量子计算的背景下，量子算法的成本在很大程度上取决于实现非克利福德门的资源消耗）


推荐阅读