面向 NISQ 设备的拓扑编码与物理启发式自组织量子脉冲神经网络
背景与动机
当前量子计算正处于含噪中等规模量子（NISQ）时代。受限于量子比特相干时间短、门保真度有限等硬件约束，传统变分量子算法（如 QAOA）在复杂组合优化问题上的表现往往受限。如何在 NISQ 设备的噪声环境下保持高求解精度与鲁棒性，是量子计算走向实用的核心挑战之一。
本项目从量子多体物理与计算神经科学的交叉视角出发，探索一种物理启发式的混合计算范式——自组织量子脉冲神经网络，以突破现有量子变分算法在噪声条件下的性能瓶颈。
方法与创新
拓扑编码方案
将组合优化问题的约束条件编码为量子比特拓扑结构中的局域相互作用，利用拓扑序的鲁棒性天然抵抗局域噪声。该编码方式使得问题的核心结构信息分布在系统的全局拓扑性质中，从而对单比特错误具备内在容错能力。
物理启发式自组织量子脉冲神经网络
借鉴生物神经元的脉冲时间依赖可塑性（STDP）机制与统计物理中的自组织临界理论，构建了量子脉冲神经网络。网络中的量子节点通过受控相位门模拟脉冲发放与接收，脉冲序列的时序信息携带问题的优化信号。网络在演化过程中自发调整耦合强度，趋近于临界态——在该状态下系统对输入信号最敏感，优化效率最高。
混合计算范式
- 量子多体物理：利用量子纠缠与量子隧穿效应进行全局搜索，跳出经典局部最优
- 统计物理：引入自组织临界性机制，使系统自动调节至最优工作点
- 计算神经科学：借鉴脉冲神经网络的时序编码与动态突触可塑性
实验与成果
模拟实验
在经典模拟器上对 MaxCut、TSP 等标准组合优化问题进行大规模测试。在模拟 NISQ 噪声模型（去极化噪声 + 退相干噪声）下，本方法在中等规模问题（20-50 量子比特）上的平均求解精度相较标准 QAOA 提升 18%-35%，且在对噪声强度变化的鲁棒性上显著优于 QAOA。
"国基一号"量子机实验
将优化后的小规模算法部署至"国基一号"超导量子计算平台上进行实机验证。在此真实 NISQ 环境下，本方法在 6-10 量子比特问题上成功保持了 85% 以上的近似比，验证了拓扑编码与自组织脉冲机制在实际噪声环境下的有效性。
获奖情况
本项目获得2025 挑战杯中国青年揭榜挂帅赛道优胜奖，并在答辩中获得评委"物理直觉深刻、工程考量务实"的高度评价。