Generative AI for Quantum Circuits and Quantum Code: A Technical Review and Taxonomy

该论文通过对 2026 年初的 13 个生成系统和 5 个数据集进行系统综述，构建了涵盖生成物类型与训练范式的分类体系及三层评估框架，指出当前量子电路与代码生成研究虽在语法和语义层面取得进展，但普遍缺乏在真实量子硬件上的端到端执行验证，存在从生成到实际部署的关键差距。

要点

这篇论文就像是一份**“量子编程界的 AI 大阅兵”**。

想象一下，我们正处于一个非常特殊的时代：人类正在学习如何建造一种全新的、极其复杂的机器——量子计算机。这种机器不像普通的电脑那样用 0 和 1 思考，而是用一种叫“量子态”的魔法方式工作。

但是，教人类直接写量子程序太难了，太容易出错。于是，科学家们开始训练**人工智能（AI）**来帮我们要写这些程序。这篇论文就是作者 Juhani Merilehto 在 2026 年初，对当时市面上现有的 13 个“量子 AI 写手”和 5 个“训练教材”进行的一次全面体检和分类。

为了让你轻松理解，我们可以把这篇论文的核心内容拆解成几个生动的比喻：

1. 核心任务：AI 在写什么？

这篇论文关注的 AI，不是写小说或画画的，而是专门写**“量子电路图”或“量子代码”**的。

• 比喻：这就好比以前我们让 AI 写 Python 代码（给普通电脑用的），现在我们要让 AI 写“量子代码”（给量子电脑用的）。
• 三种产出物：
  1. Qiskit 代码：就像是用高级语言（Python）写的指令。
  2. OpenQASM 程序：就像是用低级汇编语言写的指令，直接告诉量子门怎么动。
  3. 电路图：直接画出量子门连接的图形。

2. 两大分类维度：怎么教 AI？

作者把这群 AI 分成了两大家族，就像给它们贴标签：

• 标签一：它产出什么？（是代码、汇编还是图纸？）
• 标签二：它是怎么学习的？
  • 死记硬背（监督微调）：给 AI 看很多“题目 + 答案”的配对，让它模仿。
  • 试错进化（强化学习）：让 AI 自己写，写对了给糖吃，写错了挨打，慢慢变强。
  • 像画画一样生成（扩散模型）：从一团乱麻中慢慢“去噪”，画出完美的电路。
  • 智能代理（Agent）：AI 自己当老板，调用各种工具（模拟器、编译器）来检查自己的作业，反复修改。

3. 三层“考试”标准：怎么判断 AI 写得对不对？

这是论文最精彩的部分。作者提出，判断一个量子 AI 好不好，不能只看它“像不像”，要分三层考试：

• 第一层：语法考试（能不能跑通？）

  • 比喻：就像检查作文有没有错别字，句子通不通顺。如果代码连编译器都打不开，直接淘汰。
  • 现状：所有被 review 的 AI 都过了这一关。

• 第二层：语义考试（逻辑对不对？）

  • 比喻：就像检查作文的内容是否切题。AI 写的电路，真的能算出我们想要的答案吗？
  • 难点：在普通电脑里，我们可以运行代码看结果。但在量子世界，要验证两个电路是否完全一样，需要超级计算机模拟，计算量是指数级爆炸的（就像要把大海里的每一滴水都数一遍）。
  • 现状：大部分 AI 都过了这一关，但用的方法五花八门（有的用数学公式比对，有的用概率分布比对）。

• 第三层：硬件考试（真机能不能跑？）

  • 比喻：这是最关键的一层。就像你写好了乐谱（代码），不仅要看谱子对不对，还要看真实的乐器（量子芯片）能不能吹响，会不会因为琴弦太紧（噪声）而断掉，或者因为琴键位置不对（连接限制）而弹不出来。
  • 现状（论文的惊人发现）：所有被 review 的 AI，都没有通过这一层考试！ 它们写的代码，在理论上可能很完美，但没人知道把它们放到真实的量子机器上能不能跑，或者会不会因为机器太“娇气”而失败。

4. 一个巨大的“断层”

论文指出了一个巨大的**“现实鸿沟”：
目前的 AI 就像是一个“只会写理论乐谱的音乐家”**。它能写出非常复杂、逻辑完美的乐谱（量子电路），甚至能确保乐谱本身没有错别字。
但是，它完全不知道真实的乐器长什么样。

• 真实的量子计算机有“连体”限制（某些量子比特不能直接对话，必须通过中间人）。
• 真实的量子计算机很“脆弱”（容易受干扰，时间稍长就出错）。
• 目前的 AI 生成的乐谱，往往需要人类工程师花大力气去“翻译”和“修补”，才能勉强在真实机器上运行。

5. 未来的方向

这篇论文最后呼吁：

• 统一标准：现在的 AI 们用的“考试卷”都不一样，没法直接比谁更强。需要一套通用的标准。
• 关注硬件：未来的 AI 不能只会在纸上谈兵，必须在训练时就考虑到真实机器的限制（比如连接性、噪声）。
• 数据质量：训练 AI 的“教材”（数据集）需要更规范，不能有的用旧版语言，有的用新版语言，导致 AI 学混了。

总结

简单来说，这篇论文告诉我们：
“量子 AI 写代码”这个领域已经百花齐放，AI 们都能写出语法正确、逻辑通顺的量子程序。但是，它们还只是‘温室里的花朵’，没人知道它们能不能在‘真实世界的量子风暴’中存活下来。这就是目前最大的技术缺口。

这就好比我们造出了能自动写汽车设计图的 AI，图纸画得很美，引擎原理也对，但我们还没把车造出来开上路，不知道它会不会在半路抛锚。这篇论文就是提醒我们要赶紧把“造车”和“路测”提上日程。

技术摘要

论文技术总结

1. 研究背景与核心问题 (Problem)

随着量子计算的发展，生成式人工智能（Generative AI）开始被应用于自动生成量子程序（如 Qiskit 代码、OpenQASM 程序、量子电路图）。然而，该领域目前处于碎片化状态，缺乏统一的评估标准和分类体系。

• 核心挑战：
  • 语义正确性定义困难：与经典代码不同，量子代码的正确性不仅取决于语法，还取决于其实现的幺正变换（Unitary）、纠缠特性或优化目标。验证两个电路是否等价在计算上极其昂贵（$O(2^n)$ 或 $O(4^n)$）。
  • 硬件执行差距：现有的生成模型大多停留在语法和模拟层面，缺乏在真实量子硬件（QPU）上的端到端评估。
  • 评估标准不统一：不同系统使用不同的指标（如单元测试、过程保真度、分布对齐等），导致系统间难以横向比较。
• 研究范围：本文专注于生成可执行或可编译的量子工件（QASM、Qiskit 代码、电路图），排除了仅作为内部组件的“量子增强”生成式建模，也排除了量子纠错码（QEC）的生成。

2. 研究方法论 (Methodology)

作者采用**范围综述（Scoping Review）**方法，遵循 PRISMA-ScR 指南，对 2026 年 1 月至 2 月期间的数据进行了系统性筛选。

• 数据来源：
  • Hugging Face 模型库（关键词搜索）。
  • arXiv 论文（cs.AI, cs.LG, quant-ph 分类）。
  • 来源追踪（GitHub 仓库、引用追踪）。
• 筛选过程：
  • 初始池：228 个候选项（35 个模型卡片 + 193 篇论文）。
  • 筛选后保留：13 个生成式系统和 5 个支持数据集。
  • 纳入标准：公开披露了模型架构/参数量、训练数据来源/规模、至少一个定量评估指标中的至少两项。
• 分类框架：
  • 双轴分类法：
    1. 工件类型 (Artifact Type)：Qiskit 代码 vs. OpenQASM 程序 vs. 电路图（DAG）。
    2. 训练范式 (Training Regime)：监督微调 (SFT)、验证器在环强化学习 (Verifier-in-the-loop RL)、扩散/图生成、代理优化 (Agentic Optimization)。
• 三层评估框架：
  1. 语法有效性 (Layer 1)：能否解析或编译。
  2. 语义正确性 (Layer 2)：是否实现了预期的幺正变换、算法或任务目标（方法包括单元测试、过程保真度、分布对齐等）。
  3. 硬件可执行性 (Layer 3)：
     • 3a: 编译性与资源真实性（转译后的深度、SWAP 数量）。
     • 3b: 实证硬件执行（在真实 QPU 上运行并比较输出分布）。

3. 关键贡献 (Key Contributions)

1. 建立了系统的分类法：将分散的 13 个系统按“工件类型 x 训练范式”进行组织，涵盖了从专用小模型（如 QuantumGPT-124M）到多代理系统（如 QAgent）的多种技术路线。
2. 提出了三层评估框架：明确区分了语法、语义和硬件执行三个层次，并指出了当前评估中“语义方法不可互换”的痛点。
3. 揭示了“硬件差距” (The Hardware Gap)：这是本文最核心的发现——所有被审查的 13 个生成系统均未报告在真实量子硬件上的端到端执行结果（Layer 3b）。它们大多止步于模拟器验证或转译后的资源统计。
4. 对比了经典与量子代码生成的差异：
   • 经典代码依赖单元测试；量子代码依赖昂贵的幺正等价性检查。
   • 量子生成必须考虑硬件约束（连接性、原生门集、退相干时间），这在经典代码生成中不存在。
5. 提供了数据集与基准的概览：总结了如 QASMBench、QCircuitBench 等关键基准，并指出了 OpenQASM 2.0 与 3.0 之间的格式不兼容问题。

4. 主要结果与发现 (Results)

• 系统现状：
  • Qiskit 代码助手（如 Granite-3.2-8b-Qiskit）：主要依赖 QiskitHumanEval 基准，通过单元测试评估，侧重于语法和基础功能。
  • OpenQASM 生成器（如 Agent-Q, QUASAR）：多采用强化学习（RL），利用模拟器计算奖励（如期望值对齐、分布散度）。
  • 扩散与图生成模型（如 genQC, AltGraph）：直接在电路图或离散 Token 上操作，侧重于电路优化（深度减少、门数减少）和保真度。
  • 代理系统（如 QAgent）：利用多步推理和工具增强（RAG、CoT）来生成复杂程序。
• 评估覆盖情况：
  • Layer 1 (语法)：所有系统均覆盖。
  • Layer 2 (语义)：大多数系统覆盖，但评估方法各异（单元测试、保真度、分布对齐），导致无法直接横向排名。
  • Layer 3 (硬件)：
    • 仅 AltGraph 部分覆盖了 3a（转译后的资源指标）。
    • 没有任何系统覆盖了 3b（真实硬件执行）。
• OpenQASM 版本差异：OpenQASM 3.0 引入了经典控制流，增加了语法空间和语义验证的复杂性（路径依赖行为），目前大多数系统仍针对 2.0 或简化版 3.0。

5. 意义与未来方向 (Significance & Future Directions)

• 填补空白：本文首次系统地指出了生成式量子 AI 领域缺乏真实硬件验证的严重缺陷，呼吁建立包含“生成 -> 转译 -> 执行 -> 比较”的完整评估协议。
• 标准化呼吁：
  • 需要统一的评估协议，区分语法、语义和硬件真实性。
  • 需要解决 OpenQASM 2.0/3.0 的数据集互操作性问题。
  • 需要开发**“转译感知” (Transpilation-aware)** 的生成模型，在生成阶段就考虑硬件连接性和原生门集，而不仅仅是事后转译。
• 可扩展性挑战：随着量子比特数增加（>30-50），经典模拟验证的成本呈指数级增长（$O(2^n)$），限制了“验证器在环”训练方法的扩展。未来需探索基于张量网络或稳定子秩的近似验证方法。
• 对 OpenQASM 3.0 的评估策略：针对包含经典控制流的程序，建议采用有界路径执行、基于迹的单元测试或符号执行等策略。

总结：这篇综述不仅梳理了当前生成式量子 AI 的技术版图，更深刻地揭示了从“模拟正确”到“硬件可用”之间的巨大鸿沟。它强调，未来的突破将依赖于标准化的评估基准、对硬件约束的生成式建模以及可扩展的验证方法。