⚛️ quantum physics

SSR: A Swapping-Sweeping-and-Rewriting Optimizer for Quantum Circuit Transformation

本文提出了 SSR，一种结合了用于电路重排的遗传算法、用于 CNOT 子电路提取的扫描技术以及用于深度最优重写的 SAT 求解器的创新优化器，旨在显著降低 NISQ 设备上量子电路变换的深度。

原作者： Yunqi Huang, Xiangzhen Zhou, Fanxu Meng, Pengcheng Zhu, Yu Luo, Zhenlong Du

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

原作者： Yunqi Huang, Xiangzhen Zhou, Fanxu Meng, Pengcheng Zhu, Yu Luo, Zhenlong Du

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过一支无人机机队向一座拥挤的城市发送信息。然而，这里有一个限制：只有当无人机紧挨着飞行时，它们才能互相通信。如果两架无人机需要交换包裹，但它们位于城市的相对两侧，你就必须派第三架无人机来来回回地运送这条信息。在量子计算的世界里，情况正是如此。

问题：“绕路”导致的交通拥堵
量子计算机（特别是目前的噪声中型量子设备，即 NISQ 设备）就像是拥有非常严格交通规则的城市。它们的“无人机”（量子比特）只有在物理连接时才能进行交互。当科学家们设计量子程序时，通常假设所有的无人机都可以瞬间进行通信。为了在真实的硬件上实现这一点，会使用一种叫做量子电路变换 (QCT) 的过程。

把 QCT 想象成一名交通管制员，他会插入“SWAP（交换）”门。这些门就像是绕行路线，无人机必须通过交换位置才能靠近彼此进行交互。虽然这解决了连接性问题，但它也制造了巨大的交通拥堵。电路变得更长（更深），由于量子信号非常脆弱，旅程越长，信息被弄乱或丢失的可能性就越大。

解决方案：SSR（交换、扫描与重写）
该论文的作者提出了一种名为 SSR 的新工具，用于清理初始绕行路径后产生的交通拥堵。他们使用了一个三步走的策略，就像一个高效的交通优化团队：

交换（遗传算法）：
想象一下，交通管制员刚刚把无人机以随机的顺序排列，以便让它们实现连接。SSR 使用了一种“遗传算法”，这就像是一个数字进化模拟器。它尝试成千上万种不同的方式来重新排列无人机的顺序（门），观察将一个“绕行”（SWAP）在序列中提前或推后是否能让整个行程变得更短。它保留最好的排列方式并丢弃糟糕的方案，就像自然界选择最适者生存一样。
扫描（扫描仪）：
一旦顺序得到了优化，SSR 就像一把扫过电路的吸尘器。它寻找那些粘在一起的“CNOT”门（一种特定类型的量子交互）集群。它将这些集群识别为亟待改进的“子电路”。
重写（智能建筑师）：
这是最强大的部分。对于发现的每个集群，SSR 不仅仅是尝试修复它，而是向一位超级聪明的“建筑师”（SAT 求解器）寻求帮助，设计一个全新的、在数学上完美的版本，它能完成完全相同的工作，但步骤更少。
- 限制条件： 如果建筑师设计了一个完美的集群，但将其放置在一个会阻碍下一步骤的位置，那么整个行程就会变长。为了防止这种情况，SSR 使用了**“门位置约束”**。它告诉建筑师：“你可以设计完美的集群，但你必须在特定的时间和空间边界内进行构建，以免阻挡其他无人机。”
- 速度提升： 每次都让建筑师从头开始是非常慢的。因此，SSR 使用了一个人工神经网络 (ANN)——一种在数百万个案例上训练过的 AI——来预测完成该任务所需的最佳步数，从而在询问建筑师之前提供一个参考。这就像是一个捷径，告诉建筑师：“先尝试用 5 步完成它”，而不是从 1 步开始逐一向上尝试。这节省了大量时间。

结果：更畅通的道路
论文在各种量子电路和不同的硬件布局（如 Google 的 Sycamore 和 IBM 的处理器）上测试了这个 SSR 工具。

结果： 与现有方法相比，SSR 成功降低了电路的“深度”（总旅行时间），平均降低了 16.59%，某些电路的提升甚至高达 29.04%。
对比： 其他工具也尝试解决交通问题，但它们往往会让情况变得更糟，或者仅有微小的改进。SSR 始终能找到一条更平滑的路径。
效率： 即使电路已经过标准软件（如 Qiskit）的优化，SSR 仍能榨取额外的 10% 效率。

总结
SSR 是一个后优化工具，它针对已经为了适应真实机器限制而被迫调整过的量子电路进行重新排列。它通过重新编排操作顺序、寻找可以简化的步骤组，并利用 AI 来预测重建这些步骤的最佳方式，同时避免造成新的交通拥堵。其结果是实现更快速、更可靠的量子计算，从而降低因噪声导致失败的可能性。

技术摘要：SSR：一种用于量子线路变换的交换-扫描-重写优化器

问题陈述
量子线路变换（QCT）是将逻辑量子线路适配到噪声中规模量子（NISQ）设备物理连通性约束的必要过程。为了满足这些约束，QCT 算法通常会插入大量的 SWAP 门，这些 SWAP 门会分解为多个 CNOT 门，从而增加了线路深度。这种深度的增加加剧了误差率并降低了量子计算的成功概率。虽然现有的后 QCT 优化技术已经存在，但它们往往无法充分最小化深度，或者未能专门解决 Q_CT 过程引入的结构性低效问题，例如连续 CNOT 门和 SWAP 门的激增。作者指出，需要一种专门的后 QCT 优化框架，以在遵守硬件连通性约束的同时，有效地降低线路深度。

方法论
本文提出了 SSR（Swapping-Sweeping-and-Rewriting，交换-扫描-重写），这是一个旨在降低 QCT 生成线路深度的统一优化框架。该方法通过一个包含三个核心阶段的迭代循环运行：

交换（基于遗传算法的交换律）：
在进行重写之前，该框架利用遗传算法（GA）来探索 SWAP 门与 CNOT 门之间的广义交换规则。GA 将有效门交换的序列视为解空间，通过演化种群中的线路配置，寻找能够减少整体深度并为后续优化创造更有利子线路结构的配置。至关重要的是，GA 在交换过程中强制执行硬件连通性约束，确保所有生成的候选线路对于目标架构都是有效的。
扫描（子线路提取与评分）：
该框架扫描线路以提取由 CNOT 和 SWAP 门组成的连续子线路。为了管理计算复杂度，对提取的子线路施加了最大量子比特限制（ $n_q$ ）。评分函数评估每个子线路的潜在深度缩减潜力。该分数估算了当前深度与最优深度之间的差异。为了避免对每个候选子线路进行精确合成导致的计算不可行性，作者利用经过训练的监督式人工神经网络（ANN）来预测最优深度，该网络基于 CNOT 线路的布尔矩阵表示。这种预测引导了对高分子线路的选择进行重写，而不是同时重写所有子线路，作者认为这可以防止因过早固定局部结构而阻碍全局优化。
重写（基于 SAT 的带约束合成）：
选定的子线路使用布尔可满足性（SAT）求解器进行重写，以寻找功能等价且深度最优的线路。作者对标准的基于 SAT 的合成引入了两项关键改进：
- ANN 辅助调用： 不同于从深度 1 开始的试错法，ANN 预测的深度作为 SAT 求解器的初始目标，显著减少了求解器的调用次数。
- 门位置约束： 为了确保局部优化不会对全局线路深度产生负面影响，SAT 公式包含了“阻塞位置”约束。这些约束防止将 CNOT 门放置在时空坐标被非子线路门（例如单比特门或来自相邻子线路的门）占用的位置，从而迫使求解器找到符合现有全局调度方案的解。

主要贡献
论文概述了五项主要贡献：

统一框架： 将面向深度的后 QCT 优化定义为一个专门的问题，并通过 SSR 框架进行处理，这补充了现有的 QCT 和合成技术。
ANN 辅助加速： 引入了一种基于 ANN 的深度预测方案，用于引导 SAT 求解器的搜索顺序并减少调用次数，且不会损害 SAT 程序本身的完备性或最优性。
门位置约束： SAT 公式中的一种机制，通过限制门放置在有效的时空窗口内，平衡了局部子线路的最优性与全局线路的深度缩减。
迭代策略： 结合了基于 GA 的交换律的子线路评分与选择策略，使优化器能够优先处理有前景的子线路并迭代地暴露新的优化机会。
实验验证： 通过广泛的实验，在各种架构和基准测试集上展示了持续且显著的深度缩减。

实验结果
作者在多种架构（Grid 5x4, Google Sycamore, IBM Rochester, IBM Heron）和基准测试集（RevLib, Qiskit 提取的线路, 随机线路）上对 SSR 进行了评估。

深度缩减： SSR 在所有基准测试中实现了最大 29.04% 的深度缩减和 16.59% 的平均缩减。
对比： SSR 优于现有的后 QCT 优化器 CBIR 和 Q-Synth。平均而言，SSR 提升了 16.59% 的深度，而 CBIR 和 Q-Synth 分别实现了 6.45% 和 -0.53%（表明 Q-Synth 在某些基准测试中导致深度略微增加）的平均改进。
可扩展性： 观察到 SSR 的运行时间随量子比特数量和平均门数量几乎呈线性增长，表现出良好的可扩展性。
组件分析： 消融研究证实，每个组件（GA、门位置约束、ANN）都对整体性能做出了贡献。ANN 特别将 SAT 求解器的调用次数减少了高达 95.87%，在对最终电路深度影响微乎其微的情况下，大幅缩减了执行时间。

意义
论文声称 SSR 显著扩展了 SAT-Sweeping 技术在量子线路变换领域的应用。通过将启发式搜索（GA）、机器学习（ANN）和精确合成（SAT）与特定的硬件连通性约束相结合，SSR 提供了一种稳健的方法来减轻 QCT 引入的深度开销。作者将 SSR 定位为现有编译器的补充工具，能够进一步精炼已经映射到硬件上的线路，从而提高 NISQ 设备上计算的保真度和成功率。这项工作强调，虽然该方法通过专注于 CNOT 子线路并使用启发式方法进行选择，在一定程度上牺牲了精确的全局最优性以换取可扩展性，但它实现了纯粹的局部方法或纯粹的精确方法在孤立状态下无法达到的实际且显著的深度缩减。

类似论文