Optimizing Quantum Photonic Integrated Circuits using Differentiable Tensor Networks
Large-Scale Integrated Photonics Lab, Hewlett Packard Labs, HPE Belgium（大型集成光子实验室，惠普实验室，HPE比利时）
本文提出基于梯度的优化方法，用于优化量子光子集成电路，通过可微张量网络在低光子占据和中等模式纠缠条件下实现高效设计，应用于量子光学态制备和量子相位传感读取优化。
2026-07-14 quant-ph
Quantum-Based Self-Attention Mechanism for Hardware-Aware Differentiable Quantum Architecture Search
National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信实验室）；Purple Mountain Laboratories（紫金山实验室）；Frontiers Science Center for Mobile Information Communication and Security, Southeast University（东南大学移动信息通信与安全前沿科学中心）；State Key Lab of Millimeter Waves, Southeast University（东南大学毫米波国家重点实验室）；College of Artificial Intelligence, Nanjing Tech University（南京工业大学人工智能学院）
本研究提出QBSA-DQAS框架，通过量子自注意力机制和硬件感知多目标搜索，提升NISQ时代量子电路设计的性能和效率。
2025-12-02 quant-ph
SA-DQAS: Self-attention Enhanced Differentiable Quantum Architecture Search
该研究提出融合自注意力机制的SA-DQAS框架，捕捉量子架构占位符依赖以提升DQAS性能，在多任务中优于现有方法，且电路可堆叠适配大规模问题与真实量子硬件，为近期量子设备部署提供支持。
2025-08-03 quant-ph
esQueranto: Differentiable Structured Quantum Light for Automated Scientific Discovery
University of Tübingen（蒂宾根大学）；Feyer, Tübingen, Germany（Feyer）；Nexus for Quantum Technologies, University of Ottawa, Canada（渥太华大学量子技术中心）；Friedrich-Schiller-Universität Jena（耶拿弗里德里希·席勒大学）
esQueranto是一个基于JAX的可微分模拟器，统一了光子数量子光学与结构化光传播，实现自动化科学发现，支持优化与自动搜索，迈向物理基础模拟器。
2026-10-02 quant-ph
Differentiable master equation solver for quantum device characterisation
本文提出一种可微量子主方程求解器，结合梯度优化与贝叶斯推断，用于量子器件参数估计与不确定性量化，并通过量子点模拟数据验证其高效性与模型选择能力。
2024-08-01 cond-mat.mes-hall quant-ph
Challenges with Differentiable Quantum Dynamics
Argonne National Laboratory（阿贡国家实验室）；Infleqtion, Inc.（英飞克顿公司）
研究探讨了可微量子动力学中自动微分框架的应用挑战，指出需更广泛支持复数可微数值积分的科学计算库。
2024-06-18 math.OC quant-ph
Differentiable Analog Quantum Computing for Optimization and Control
Joint Center for Quantum Information and Computer Science, University of Maryland（马里兰大学量子信息与计算机科学联合中心）；University of Maryland（马里兰大学）
我们制定了第一个可微模拟量子计算框架，在模拟信号（脉冲）水平上进行了特定的参数化设计，以更好地利用近期量子器件通过变分方法。我们进一步提出了一种可扩展的方法来估计量子动力学的梯度，使用蒙特卡洛采样的前向传递，这导致了我们的框架中可扩展的基于梯度的训练的量子随机梯度下降算法。将我们的框架应用于量子优化和控制，我们观察到可微模拟量子计算相对于基于参数化数字量子线路的SOTA的显著优势。
2022-10-28 cs.LG quant-ph
Q-DIVER: Integrated Quantum Transfer Learning and Differentiable Quantum Architecture Search with EEG Data
Seoul National University（首尔大学）
本文提出Q-DIVER框架，结合大规模预训练EEG编码器与可微量子分类器，通过可微量子架构搜索实现端到端微调，验证了量子迁移学习在高维生物信号处理中的参数高效性。
2026-03-30 cs.AI quant-ph
Differentiable Maximum Likelihood Noise Estimation for Quantum Error Correction
Singapore University of Technology and Design（新加坡科技设计大学）；CAS Key Laboratory for Theoretical Physics, Institute of Theoretical Physics, Chinese Academy of Sciences（中国科学院理论物理研究所）；School of Physical Sciences, University of Chinese Academy of Sciences（中国科学院大学物理科学学院）
本文提出了一种可微最大似然估计框架，用于精确估计量子纠错中的噪声参数，通过梯度下降优化提升解码性能，实现更高效的量子纠错。
2026-10-14 cond-mat.stat-mech quant-ph
Solving nonlinear differential equations with differentiable quantum circuits
我们提出了一个量子算法来解决非线性微分方程组。使用量子特征映射编码，我们将函数定义为参数化量子线路的期望值。我们使用自动微分来表示函数导数的解析形式作为可微量子线路（DQC），从而避免了不准确的有限差分程序计算梯度。我们描述了一个混合量子经典的工作流程，DQC的训练，以满足微分方程和指定的边界条件。作为一个特定的例子设置，我们展示了这种方法可以实现一个谱方法求解微分方程在高维特征空间。从技术的角度来看，我们设计了一个Chebyshev量子特征映射，提供了一个强大的基集拟合多项式，并具有丰富的表现力。通过对一个纳维-斯托克斯方程的数值模拟，计算了收敛-扩张喷管内流体的密度、温度和速度分布。
2021-05-18 cond-mat.dis-nn quant-ph
Quantum Circuit Reasoning Models: A Variational Framework for Differentiable Logical Inference
UC Berkeley, School of Information（伯克利大学信息学院）
量子电路推理模型通过变分框架实现可微逻辑推理，将量子力学操作映射到推理原语，用于科学、生物医学和化学领域的推理任务。
2025-11-26 cs.AI quant-ph
Entanglement Properties of Quantum Superpositions of Smooth, Differentiable Functions
我们提出了一个纠缠分析的量子叠加对应的光滑，可微，实值（SDR）单变量函数。SDR功能示出可缩放的近似低秩矩阵产品状态，大系统离散化。我们发现，这些功能的最大冯诺依曼二分熵的增长与系统的大小grammically。这意味着，有效的低秩近似这些功能存在于一个矩阵产品状态（MPS）的大型系统。作为一个推论，我们显示了一个上界的迹距离近似精度为秩2 MPS为$Ω(\log N/N)$，这意味着这些低秩近似可以准确地为大型量子系统的规模。
2020-09-18 cs.NA math.NA quant-ph
A differentiable programming method for quantum control
最优控制在当前的量子系统中，特别是在实现量子信息处理任务时，是非常需要的。我们介绍了一种基于微分规划的方法，利用显式知识的微分方程的动态系统。特别地，控制代理被表示为神经网络，其将系统在给定时间的状态映射到控制脉冲。通过神经网络\emph{and}和系统微分方程直接微分获得梯度信息，优化该代理的参数。这种完全可微的强化学习方法最终会产生优化所需品质因数的时间相关控制参数。我们证明了该方法的可行性和鲁棒性的本征态制备任务的三个系统：一个~单量子比特，一个~链的量子比特，和量子参量振荡器。
2020-02-19 cond-mat.dis-nn physics.comp-ph quant-ph
Differentiable quantum-trajectory simulation of Lindblad dynamics for QGP transport-coefficient inference
Technical University of Munich（慕尼黑工业大学）
本文提出了一种可微量子轨迹模拟方法，用于高效推断QGP输运系数，通过梯度优化和并行计算提升模拟效率。
2026-01-20 hep-ex hep-ph nucl-ex
Automated Unitary Coupled Cluster Circuit Design via Differentiable Quantum Architecture Search
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
本文采用可微量子架构搜索（DQAS）基于UCCSD算子池设计VQE电路，提出全局和逐层两种模式，在紧凑电路下比ADAPT-VQE精度更高且CNOT门更少。
2026-05-27 physics.chem-ph quant-ph
Differentiable Quantum Programming with Unbounded Loops
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tsinghua University（清华大学）；University of Maryland（马里兰大学）
变分量子应用的出现导致了量子计算中自动微分技术的发展。最近，Zhu等人（PLDI 2020）制定了具有有界循环的可微量子编程，为训练量子变分应用程序提供了一个通过量子手段进行可扩展梯度计算的框架。然而，有前途的参数化量子应用，例如，由于无界循环的自然参与，量子行走和酉实现不能在现有框架中训练。为了填补这一空白，我们提供了第一个具有无界循环的可微量子编程框架，包括新设计的微分规则，代码转换及其正确性证明。在技术上，我们引入了一个随机估计的衍生工具，以处理无穷和的微分无界循环，其适用性在经典和概率规划进行了讨论。我们使用Python和Q#实现了我们的框架，并展示了合理的示例效率。通过广泛的案例研究，我们展示了我们的框架在自动识别几个参数化量子应用程序的接近最佳参数方面的令人兴奋的应用。
2022-11-08 cs.LG cs.PL quant-ph
Measurement-Efficient Differentiable Quantum Architecture Search for Combinatorial Optimization
University of Bonn（波恩大学）；European Space Agency（欧洲空间局）；Lamarr Institute（拉马尔研究所）
针对DQAS在量子硬件上测量成本高的问题，提出一种测量缩减方案，在不改变优化目标的前提下，将梯度测量成本降低约39%-41%，并在3-SAT和MaxCut基准上验证了其有效性。
2026-10-08 cs.LG quant-ph
Differentiable Architecture Search for Adversarially Robust Quantum Computer Vision
Fordham University（福特汉姆大学）；Zhejiang University（浙江大学）；University of Michigan-Dearborn（密歇根大学-德雷本分校）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出了一种混合的量子-经典可微架构搜索框架，通过引入经典噪声层优化量子电路结构和鲁棒性，提升量子神经网络在对抗扰动和硬件噪声下的性能。
2026-01-26 cs.CV quant-ph
A Feasible Approach for Automatically Differentiable Unitary Coupled-Cluster on Quantum Computers
我们开发计算负担得起的和编码独立的梯度评估程序的酉耦合集群型运营商，适用于量子计算机。我们表明，在我们的框架内，相对于参数化的n重费米子激发的期望值的梯度可以由四个类似的形式和大小的期望值来评估，而大多数标准的方法的基础上直接应用的参数移位规则来与O（2^（2n））期望值的相关成本。对于实波函数，这个代价可以进一步减少到两个期望值。我们的策略是在开源软件包龙舌兰酒内实现的，并允许可微目标函数的黑板式构造。我们说明了电子基态和激发态的初步应用。
2020-11-11 physics.chem-ph physics.comp-ph quant-ph
Neural QAOA$^{2}$: Differentiable Joint Graph Partitioning and Parameter Initialization for Quantum Combinatorial Optimization
Guangdong Provincial Key Laboratory of Brain-Inspired Intelligent Computation, Department of CSE, SUSTech（脑启发智能计算广东省重点实验室，计算机科学与工程系，南方科技大学）
本文提出Neural QAOA²，通过可微联合生成图划分和初始参数，解决传统QAOA²中图划分与量子优化目标不匹配及拓扑无关参数初始化的问题，实验表明其在多种实例上表现优异。
2026-05-13 cs.AI quant-ph
Protocols for Trainable and Differentiable Quantum Generative Modelling
提出基于可微分量子电路的量子生成建模方法，通过相位特征映射和变分电路实现高效采样与可微分训练，支持多维生成与随机微分方程求解。
2022-02-16 cond-mat.dis-nn quant-ph
Differentiable-Path Integrals in Quantum Mechanics
本文提出了一种方法，通过只允许至少具有$α$导数的路径，将进入量子力学路径积分的路径空间限制在$C^α$的子空间内.该方法引入了两个外部参数，并诱导一个特定的时间尺度$ε_D$的外观，这样的时间间隔长于$ε_D$的模型行为像往常一样的量子力学。然而，对于小于$ε_D$的时间尺度，量子理论的标准公式会发生修改。这种限制使某些在时间连续极限$ε\rightarrow 0$中通常发散的量收敛.我们通过计算几个有意义的物理量，如均方速度$\langle v^2 \rangle $，正则交换子，薛定谔方程和谐振子的能级来说明该模型。结果表明，适当的选择引入的参数，使发展单一的。
2014-08-13 hep-th quant-ph
Differentiable Logical Programming for Quantum Circuit Discovery and Optimization
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文提出一种神经符号框架，将量子电路设计转化为可微逻辑编程问题，通过梯度下降优化逻辑公理，实现高保真量子电路的发现与优化，展示了在4量子位QFT发现和IBM Fez处理器上的应用效果。
2026-04-09 cs.LG quant-ph
Quantum Long Short-term Memory with Differentiable Architecture Search
Wells Fargo（沃克斯·福杰公司）；School of Information Technology, Halmstad University（信息科技学院，哈姆斯塔德大学）
本文提出DiffQAS-QLSTM，通过端到端可微架构搜索同时优化变分量子电路参数与结构，在多种测试中优于手工基线，推动可扩展自适应量子序列学习。
2025-08-20 cs.AI cs.ET cs.LG
Efficient Quantum Circuits for Accurate State Preparation of Smooth, Differentiable Functions
有效的量子计算依赖于充分利用量子机器的指数信息容量。设计用于在真实量子机器上执行的量子算法的一个大障碍是，通常难以高精度地构造任意量子态。相反，许多量子算法依赖于在简单状态下初始化机器，并通过有效的（即至多多项式深度）量子算法来演化状态。在这项工作中，我们表明，存在家庭的量子态，可以准备高精度的线性尺寸和深度的电路。我们专注于实值的，光滑的，可微的功能与有界衍生物的域的利益，例如常用的概率分布。我们进一步开发了一种算法，只需要线性经典计算时间来生成精确的线性深度电路来准备这些状态，并将其应用于众所周知的和大量使用的函数，包括高斯和对数正态分布。我们的程序依赖于量子态表示工具，称为矩阵乘积态（MPS）。通过有效地和可缩放地将显式幅度函数编码到MPS中，可以直接生成高保真度的线性深度电路。这些结果使许多量子算法的执行，除了初始化，否则深度效率。
2020-05-09 cs.NA math.NA quant-ph
On the Principles of Differentiable Quantum Programming Languages
University of Maryland, College Park（马里兰大学帕克分校）
变分量子电路（VQC），或所谓的量子神经网络，被预测为近期最重要的量子应用之一，不仅因为它们与经典神经网络相似的承诺，而且还因为它们在近期有噪声的中等大小量子（NISQ）机器上的可行性。在VQC应用的训练过程中对梯度信息的需求刺激了量子电路的自动微分技术的发展。我们提出了这种技术的第一个形式化，不仅在量子电路的背景下，而且对于命令式量子程序（例如，带有控件），灵感来自经典机器学习中可微分程序设计语言的成功。特别是，我们克服了一些独特的困难所造成的外来量子功能（如量子不可克隆），并提供了严格的制定微分适用于有界循环的命令式量子程序，其代码转换规则，以及一个健全的逻辑推理其正确性。此外，我们已经实现了我们的代码转换在OCaml，并证明了我们的计划的资源效率分析和经验。我们还进行了一个案例研究，训练一个VQC实例与控制，这表明我们的计划比现有的自动微分量子电路没有控制的优势。
2020-04-02 cs.LG cs.PL quant-ph
Differentiable Quantum Architecture Search in Asynchronous Quantum Reinforcement Learning
Wells Fargo（富国银行）
本文提出DiffQAS-QRL方法，通过可微量子架构搜索自动设计量子电路参数与结构，并结合异步强化学习实现并行训练，在多环境中达到与手工设计电路相当的性能，降低了对量子专业知识的需求。
2024-07-25 cs.AI cs.DC cs.LG
Automatically Differentiable Quantum Circuit for Many-qubit State Preparation
Capital Normal University（首都师范大学）
构建量子线路以实现有效的态制备是量子信息和计算领域的核心课题。随着量子比特数量的快速增长，人们迫切需要获得大规模量子线路的方法。在这项工作中，我们提出了自动微分量子线路（ADQC）的方法来有效地制备任意量子多比特态。其中一个关键因素是引入潜在的门，它的分解给出了形成量子线路的幺正门。通过使用反向传播更新潜在门来优化电路，以最小化演化状态和目标状态之间的距离。以量子晶格模型的基态和随机矩阵乘积态为例，在不可能处理全系数的量子比特数下，ADQC以较少的层数$N_L \sim O(1)$获得了较高的量子效率。与现有的基于矩阵乘积解缠器的状态准备方法相比，达到了更高的精度。采用压缩比为$r \sim O(10^{-3})$的ADQC可以显著降低MPS的参数复杂度。我们的工作为结合机器学习方法实现多量子比特系统的量子线路的“智能构造”提供了思路。
2021-04-30 cond-mat.str-el cs.LG physics.comp-ph
Differentiable Quantum Computing for Large-scale Linear Control
University of Maryland（马里兰大学）；UC Berkeley（加州大学伯克利分校）；Simons Institute for the Theory of Computing（西蒙斯理论计算研究所）；Center for Machine Learning, University of Maryland（马里兰大学机器学习中心）；Joint Center for Quantum Information and Computer Science, University of Maryland（马里兰大学量子信息与计算机科学联合中心）
本文提出一种基于策略梯度的端到端量子算法，通过量子子程序求解Lyapunov方程并构建可微模拟器，实现线性二次控制问题的超二次加速，具有可证明的量子优势。
2024-11-03 cs.ET cs.LG cs.NA
