知识卡片：基于Transformer模型学习分子基态制备

• 一句话结论：ADAPT‑GQE 首次将生成式 AI 与强化学习结合，自动合成分子基态制备电路，在保持或提升精度的同时将电路生成时间降低一个数量级，并在 Quantinuum Helios‑1 硬件上完成了里程碑式验证。

• 事件概述：量子态制备是量子化学算法的关键步骤，传统迭代方法（如 ADAPT‑VQE）在大分子上计算成本过高。本文提出 ADAPT‑GQE，先用 ADAPT‑VQE 生成高质量参考电路作为训练目标，训练 Transformer 模型学习电路生成，再结合强化学习使生成精度超越训练数据。该框架以抗抑郁药物丙咪嗪（imipramine）为代表性挑战目标，生成的电路在 Quantinuum Helios‑1 上执行，标志着 AI 生成的量子化学电路首次在尖端量子硬件上运行。

• 方法/产品要点：

  • 训练阶段：使用 ADAPT‑VQE 生成浅层、高保真的基态制备电路作为监督数据，训练 Transformer 模型进行电路序列生成。
  • 推理阶段：预训练模型可快速提议候选电路并打分，强化学习（RL）进一步优化生成精度，使其超越原始训练数据的质量。
  • 硬件验证：在 Quantinuum Helios‑1 量子处理器上执行生成的电路，验证实际可行性。

• 主要结果或产业意义：

  • 相对于 ADAPT‑VQE，电路生成时间实现数量级降低（待核实具体倍数）。
  • 生成的电路在基态制备精度上可与 ADAPT‑VQE 相当或更优（待核实具体保真度指标）。
  • 丙咪嗪作为三环类抗抑郁药物，是药物稳定性模拟中的典型复杂分子，证明了该方法在药物研发和材料科学中的潜力。
  • 在真实量子硬件上的执行是 AI 生成量子化学电路的重要里程碑。

• 为什么重要：该工作将生成式 AI 与量子计算电路设计结合，弥补了传统迭代算法在实用规模分子上的效率瓶颈，为自动化量子电路合成开辟了新路径，直接推动量子化学走向 utility‑scale 计算。

• 局限与不确定性：

  • 论文全文尚未获取，以下为待核实内容：
    • 训练数据的具体规模和质量门槛（如需要多少 ADAPT‑VQE 参考电路）。
    • 强化学习阶段的奖励函数设计细节与收敛性。
    • 对于更大分子（如超过 100 个自旋轨道）的可扩展性。
    • 硬件运行的实际错误缓解策略与最终测量结果。

• 可用于图书/PPT/简报的角度：人工智能辅助量子电路设计的案例；生成式模型在科学计算中的应用；药物研发中的量子计算实践；AI+量子硬件的最新进展。

• 既有脉络的关系：本卡片是“AI for quantum circuit synthesis”领域的独立条目。与已有的“从RGB生成到稠密场读出”“从像素到状态”“用于算子学习的神经架构扩展”卡片无直接承接关系；增量信息在于首次将生成模型+强化学习用于量子化学基态制备，并进入真实硬件验证。

• 原始材料：

  • 英文标题：Learning to Prepare Molecular Ground States with Transformer Models
  • 英文关键词：（待补充，建议从摘要中提取：quantum state preparation, ADAPT-VQE, generative AI, transformer, reinforcement learning, quantum chemistry, drug stability）
  • URL: https://arxiv.org/abs/2607.22468v1