⚛️ quantum physics

QuTuner: Feature- and Learning-Guided Optimization Pass Tuning for Quantum Compilers

QuTuner is een feature- en leergestuurd framework dat de optimalisatie van quantumcompilers verbetert door zowel statische circuitstructuren als dynamische reacties op individuele passes te benutten om effectieve pass-sequenties efficiënt op te halen en te rangschikken, wat de reductie van metrieken aanzienlijk verbetert en de afstemtijd over verschillende compilers heen vermindert.

Oorspronkelijke auteurs: Ming Zhong, Xiangyu Ren, Jinglei Cheng, Shaohua Li, Zhiding Liang

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ming Zhong, Xiangyu Ren, Jinglei Cheng, Shaohua Li, Zhiding Liang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het perfecte gebak probeert te bakken. Je hebt een recept (het kwantumprogramma) en een keuken (de kwantumcomputer). Maar je keuken is lastig: de ovens zijn grillig, de ingrediënten zijn duur, en als je ze in de verkeerde volgorde mengt, kan het gebak instorten of verschrikkelijk smaken.

In de wereld van quantum computing is dit "recept" een kwantumcircuit, en de "keukeninstructies" worden afgehandeld door een compiler. De taak van de compiler is om jouw hoogwaardige recept te vertalen naar instructies op laag niveau die de kwantumcomputer daadwerkelijk kan volgen. Om het gebak beter te maken (nauwkeuriger en minder gevoelig voor fouten), gebruikt de compiler een lange lijst met "optimalisatiepasses" — denk aan verschillende technieken zoals "de bloem zeven", "sneller kloppen" of "laten rusten".

Het probleem? Er zijn tientallen van deze technieken, en ze kunnen in miljoenen verschillende volgordes worden toegepast. Net zoals een chef die de perfecte volgorde van stappen probeert te raden, probeert een computer die de beste volgorde van optimalisatiepasses te raden meestal te veel of het is te langzaam.

Maak kennis met QuTuner, een nieuwe tool die ontworpen is als de "Master Chef" voor kwantumcompilers. Zo werkt het, eenvoudig uitgelegd:

1. Het Probleem: Te Veel Keuzes, Niet Genoeg Tijd

In het verleden probeerden onderzoekers de beste volgorde van stappen te vinden door ofwel:

Willekeurig te gokken: Verschillende combinaties proberen totdat er iets werkte (zoals pijltjes gooien naar een menukaart).
Slechts naar een paar stappen te kijken: De meeste technieken negeren omdat de lijst te lang was.
Statische aanwijzingen te gebruiken: Alleen naar de ingrediënten van het recept kijken (statische kenmerken), maar niet begrijpen hoe de ingrediënten daadwerkelijk reageren wanneer je ze mengt.

Het artikel stelt dat deze methoden zijn alsof je een enorme stad probeert te navigeren met een kaart die slechts enkele straten laat zien. Je hebt misschien geluk, maar je zult waarschijnlijk de snelste route missen.

2. De Oplossing: QuTuner's "Ervaringsbibliotheek"

QuTuner lost dit op door een enorme ervaringsbibliotheek (een optimalisatiedataset) op te bouwen.

De Trainingsfase (Offline): Voordat het iemand helpt, brengt QuTuner tijd door met het "bakken" van duizenden verschillende kwantumrecepten. Het gebruikt een slimme zoekmethode genaamd Bayesiaanse Optimalisatie om miljoenen verschillende volgordes van stappen te testen op 8.111 verschillende circuits. Het legt vast welke volgorde het beste werkte voor welk type recept.
De "Proeverij" (Pass Embeddings): In plaats van alleen naar de ingrediënten te kijken (statische kenmerken), test QuTuner daadwerkelijk hoe het recept reageert op elke individuele stap. Het vraagt: "Als ik deze specifieke techniek op dit specifieke gebak toepas, wordt het dan beter of slechter?" Het creëert een unieke "vingerafdruk" (een pass embedding genoemd) voor elk recept op basis van hoe het op elke mogelijke techniek reageert.

3. De Tweestaps Chef-Assistent

Wanneer je QuTuner een nieuw recept geeft om te optimaliseren, begint het niet vanaf nul. Het gebruikt een tweetraps proces:

Stap 1: De "Zoeker naar Gelijkenis" (Pruning Model):
QuTuner kijkt naar jouw nieuwe recept en vraagt: "Wie in mijn bibliotheek heeft een recept dat er vergelijkbaar uitziet en vergelijkbaar reageert op dit recept?" Het gebruikt een slim AI-model om de "vingerafdruk" van het recept te voorspellen en vindt snel de top 10 meest vergelijkbare recepten uit zijn bibliotheek. Het negeert de miljoenen andere recepten die niet overeenkomen.
Stap 2: De "Beste Keuze" Rechter (Ranker Model):
Nu het 10 kandidaten heeft, gebruikt QuTuner een tweede AI-model om ze te rangschikken. Het vraagt: "Van deze 10 vergelijkbare recepten, welke volgorde van stappen is waarschijnlijk het beste voor jouw specifieke recept?" Het kiest de winnaar.

4. De Laatste Afwerking: Een Lichte Bijwerking

Zelfs nadat de beste kandidaat is gekozen, stopt QuTuner niet zomaar. Het voert een lichtgewicht "tweak" uit (een kleine, snelle optimalisatiezoektocht) rond die gekozen volgorde. Dit is alsoals de chef het gebak voor de laatste keer proeft en een snufje zout toevoegt indien nodig, in plaats van het hele bakproces opnieuw te starten.

Waarom is dit een grote zaak?

Het artikel heeft QuTuner getest tegen andere methoden (zoals willekeurig gokken, genetische algoritmen en zelfs AI-taalmodellen) met behulp van twee populaire kwantumtools: Qiskit en PyTKET.

Betere Resultaten: QuTuner verminderde de "kosten" van de kwantumcircuits (minder fouten, minder stappen) aanzienlijk meer dan de andere methoden. Op Qiskit verbeterde het de resultaten met wel 84% vergeleken met de sterkste concurrent.
Sneller: Het was veel sneller. Terwijl andere methoden veel tijd nodig hadden om het juiste antwoord te zoeken, vond QuTuner een geweldig antwoord in een fractie van de tijd (het verkortte de tuning-tijd met tot wel 73%).
Veelzijdig: Het werkte goed, zelfs wanneer het werd getest op verschillende soorten kwantumcomputers (gesimuleerde backends) en zelfs wanneer het doel veranderde van "minder stappen" naar "hogere nauwkeurigheid".

De Kernboodschap

QuTuner is als een kwantumcompiler die "alles heeft gezien". In plaats van te gokken of slechts naar een paar opties te kijken, leert het van een enorme database van eerdere successen. Het gebruikt een slim matchingsysteem om recepten te vinden die vergelijkbaar zijn met die van jou, kiest de beste historische strategie, en maakt vervolgens een paar snelle aanpassingen. Het resultaat is een kwantumprogramma dat sneller draait, nauwkeuriger is en met minder wachttijd.

Technische Samenvatting: QuTuner

Probleemstelling
Quantumcompilers zijn essentieel voor het transformeren van quantumcircuits naar hardware-uitvoerbare vormen, met als doel circuit-niveau metrieken zoals het aantal twee-qubit (2Q) poorten, één-qubit (1Q) poorten en de circuitdiepte te verminderen om de executie-getrouwheid (fidelity) te verbeteren. Hoewel het afstemmen van compiler-passes een goed gevestigde techniek is in de klassieke informatica, brengt het overdragen van deze technieken naar quantumcompilers unieke uitdagingen met zich mee. Bestaande benaderingen voor het afstemmen van quantumcompilers lijden aan twee primaire beperkingen:

Beperkte Zoekruimte: Eerdere studies beperken de optimalisatie vaak tot een kleine subset van beschikbare passes (bijv. het afstemmen van slechts 4 van de 29 passes in PyTKET of 9 van de 23 in Qiskit) om de complexiteit van de zoektocht te beheersen, waardoor globaal effectieve sequenties worden gemist.
Incomplete Feature-modellering: Huidige methoden vertrouwen zwaar op statische circuit-features (bijv. verstrengelingsratio's, DAG-structuren) die de circuittopologie beschrijven, maar falen in het expliciet vastleggen van hoe een specifiek circuit reageert op individuele optimalisatie-passes.

Methodologie: QuTuner
De auteurs stellen QuTuner voor, een feature- en learning-gestuurd framework dat ontworpen is om de volledige optimalisatie-passruimte te doorzoeken en te generaliseren over compilers en doelstellingen. Het framework werkt in twee fasen:

Offline Fase (Dataset Constructie & Model Training):
- Optimalisatie Dataset: De auteurs construeren een grootschalige dataset met behulp van 8.111 circuits uit QCircuitBench. Voor elk circuit voeren zij Bayesiaanse Optimalisatie (BO) uit over de volledige set van optimalisatie-passes (29 passes in Qiskit V2.2.3) om de optimale pass-sequentie te identificeren.
- Feature Representatie: Elk circuit wordt gekarakteriseerd door twee complementaire perspectieven:
  - Statische Features: Vier categorieën waaronder schaal (qubit-aantal, diepte), structuur (verstrengelingsratio, parallellisme), interactiegrafen (qubit-connectiviteit) en DAG-features (gate-afhankelijkheden).
  - Optimalisatie-bewuste Pass Embeddings: Een nieuw mechanisme waarbij elke optimalisatie-pass individueel op een circuit wordt toegepast om de relatieve veranderingen in 2Q-poorten, 1Q-poorten en diepte te meten. Deze veranderingen worden samengevoegd tot een pass-embedding, die de specifieke respons van het circuit op optimalisatie vastlegt.
- Model Training: Twee modellen worden getraind op deze dataset:
  - Pruning Model: Een graph transformer-gebaseerd model dat statische features als input neemt en de pass-embedding voor een nieuw circuit voorspelt. Dit stelt het systeem in staat om vergelijkbare circuits op te halen zonder het kostbare proces van hernieuwde profilering van de passes.
  - Ranker Model: Een model dat kandidaat pass-sequenties scoort die uit de dataset zijn opgehaald, gebaseerd op de input-features van het circuit en de voorspelde embedding, om de meest veelbelovende sequentie te selecteren.
Online Fase (Inference & Verfijning):
- Voor een nieuw input-circuit extraheert QuTuner de statische features en gebruikt het de Pruning Model om de pass-embedding te voorspellen.
- Het haalt de top- $k$ (10) meest vergelijkbare circuits uit de optimalisatie-dataset op, samen met hun bijbehorende geoptimaliseerde pass-sequenties.
- De Ranker Model scoort deze kandidaten om de beste initiële sequentie te selecteren.
- Een lichtgewicht Bayesiaanse Optimalisatie stap verfijnt deze seed-sequentie door de directe omgeving van de opgehaalde sequentie te verkennen om de definitieve geoptimaliseerde pass-volgorde te vinden.

Belangrijkste Bijdragen

Volledige Exploratie van de Passruimte: QuTuner is het eerste werk dat de volledige optimalisatie-passruimte van onderzochte quantumcompilers afstemt (bijv. alle 29 passes in Qiskit), waarmee het verder gaat dan de beperkte subsets die in eerder onderzoek werden gebruikt.
Optimalisatie-bewuste Pass Embeddings: Het paper introduceert een pass-profileringsmechanisme dat embeddings genereert die reflecteren hoe circuits reageren op individuele passes, wat de statische structurele features aanvult.
Feature-gestuurd Framework: De auteurs stellen een tweefasig retrieval- en rankingsysteem voor (Pruning en Ranker modellen) dat een balans vindt tussen efficiëntie van retrieval en effectiviteit van optimalisatie, gevolgd door lichtgewicht BO-verfijning.
Grootschalige Dataset: De constructie van een optimalisatie-dataset afgeleid van 8.111 circuits, afgestemd via BO, vormt een fundamentele bron voor toekomstig onderzoek naar quantumcompiler-optimalisatie.

Experimentele Resultaten
De auteurs hebben QuTuner geëvalueerd op Qiskit (V2.2.3) en PyTKET (V2.13.0) met benchmarks uit QASMBench en VeriQBench (totaal 180 gevallen).

Effectiviteit van Optimalisatie: Op Qiskit verbeterde QuTuner de reductie van metrieken met tot wel 84,85% ten opzichte van de sterkste baseline (Bayesiaanse Optimalisatie) en presteerde het beter dan Genetische Algoritmen, Reinforcement Learning en LLM-gebaseerde benaderingen. Op PyTKET verbeterde het de reductie van metrieken met 18,68% ten opzichte van BO.
Tijdefficiëntie: QuTuner verminderde de tuning-tijd met 73,59% op Qiskit en 64,49% op PyTKET vergeleken met BO, terwijl het aanzienlijk sneller was dan exhaustieve zoekmethoden.
Schaalbaarheid & Aanpasbaarheid: Het framework toonde een consistente prestatie over verschillende backend-groottes (65 tot 156 qubits) en paste zich succesvol aan verschillende compilers (PyTKET) en tuning-doelstellingen (geschatte fidelity versus circuit-niveau metrieken) aan.

Betekenis en Claims
Het paper claimt dat QuTuner een effectieve aanpak biedt voor adaptieve pass-tuning voor quantumcompilers door het evenwicht tussen de dekking van de zoekruimte en de computationele kosten aan te pakken. Door gebruik te maken van een grootschalige dataset en learning-gebaseerde retrieval van optimalisatie-bewuste features, bereikt QuTuner superieure optimalisatieresultaten met aanzienlijk lagere online tuning-overhead vergeleken met traditionele heuristische zoekmethoden. De auteurs benadrukken dat hun aanpak de ontdekking van globaal effectieve pass-sequenties mogelijk maakt die voorheen ontoegankelijk waren vanwege de beperkte zoekruimtes in eerdere werken.