我们的量子芯片Willow首次展示了可验证的量子优势，标志着实用量子计算的重要进展。Willow基于超导量子电路，具备99.97%的单量子比特门保真度，能够快速执行复杂的量子算法，向容错量子计算机的目标迈进。

本研究提出两种新方法，将量子优势指标融入遗传算法的适应度函数中，显著提升量子电路设计效率，实验结果表明生成的电路质量与专家设计相当。

本研究通过稳定子自举方法优化量子神经网络，解决了量子机器学习中识别量子优势的难题。结果表明，改进的可能性与可观察量结构及数据集大小相关，揭示了量子电路改进概率的两种模式，为量子计算优势的可行性提供了新视角。

生成式机器学习方法如大型语言模型正在革新文本和图像的创作。本研究通过容错性量子计算的视角来调查变压器架构。我们使用预训练的权重矩阵构建变压器的查询、关键和值矩阵，并展示了如何使用 Hadamard 乘积对自注意矩阵的行逐行应用 softmax 函数来准备区块编码。我们还结合了量子子程序来构建变压器中的重要构件，包括残余连接、层归一化和前馈神经网络。我们的子程序准备了变压器输出的振幅编码，可以进行测量以获得预测结果。我们讨论了获取量子优势的潜力和挑战。

生成式机器学习方法如大型语言模型正在革新文本和图像的创作。本研究通过容错性量子计算的视角来调查变压器架构。我们展示了如何使用Hadamard乘积对自注意矩阵的行逐行应用softmax函数来准备区块编码。我们结合了量子子程序来构建变压器中的重要构件，包括残余连接、层归一化和前馈神经网络。我们的子程序准备了变压器输出的振幅编码，可以进行测量以获得预测结果。我们讨论了获取量子优势的潜力和挑战。