⚛️ quantum physics

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

QuTuner 是一个特征与学习引导的框架，它通过利用静态电路结构和对单个优化过程（pass）的动态响应来增强量子编译器优化，从而高效地检索并排序有效的优化序列，在显著改善指标降低效果的同时，减少了不同编译器间的调优时间。

原作者： Ming Zhong, Xiangyu Ren, Jinglei Cheng, Shaohua Li, Zhiding Liang

发布于 2026-07-07

📖 1 分钟阅读🧠 深度阅读

原作者： Ming Zhong, Xiangyu Ren, Jinglei Cheng, Shaohua Li, Zhiding Liang

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，你正试图烤出一个完美的蛋糕。你有一份食谱（量子程序）和一个厨房（量子计算机）。但你的厨房很棘手：烤箱时好时坏，食材非常昂贵，而且如果你混合的顺序不对，蛋糕可能会塌陷或者味道很糟糕。

在量子计算的世界里，这个“食谱”就是量子线路，而“厨房指令”由编译器处理。编译器的任务是将你的高层级食谱翻译成量子计算机能够实际执行的低层级指令。为了让蛋糕变得更好（更准确且不易出错），编译器会使用一系列“优化传递”（optimization passes）——你可以把这想象成不同的技巧，比如“筛面粉”、“快速搅拌”或“静置”。

问题在于？这些技巧有很多种，而且它们的应用顺序可能有数百万种。就像一位厨师在猜测完美的步骤顺序一样，试图通过猜测来确定优化传递顺序的计算机通常会失败或耗时过长。

由此，QuTuner 应运而生，它是一个旨在成为量子编译器“主厨”的新工具。以下是它的工作原理，通过简单的拆解来理解：

1. 问题所在：选择太多，时间不够

过去，研究人员尝试通过以下方式寻找最佳步骤顺序：

随机猜测： 尝试不同的组合直到奏效（就像在菜单上乱投医）。
仅观察少数步骤： 因为列表太长，忽略了大部分现有的技术。
使用静态线索： 只看食谱的成分（静态特征），但不理解这些成分在混合时会如何反应。

论文指出，这些方法就像是在用一张只显示了几条街道的地图来导航巨大的城市。你可能会走运，但很可能会错过最快的路线。

2. 解决方案：QuTuner 的“经验库”

QuTuner 通过构建一个庞大的经验库（优化数据集）来解决这个问题。

训练阶段（离线）： 在帮助任何人之前，QuTuner 会花时间“烹饪”数千种不同的量子食谱。它使用一种称为贝叶斯优化（Bayesian Optimization）的智能搜索方法，在 8,111 个不同的电路中测试了数百万种不同的步骤顺序。它记录了哪种顺序对哪种类型的食谱效果最好。
“味觉测试”（传递嵌入）： QuTuner 不仅仅是看成分（静态特征），它实际上会测试每个食谱对每一个特定步骤的反应。它会问：“如果我对这个特定的蛋糕应用这个特定的技术，它是会变好还是变差？”它为每个食谱根据其对每种可能技术的反应，创建了一个独特的“指纹”（称为传递嵌入，pass embedding）。

3. 两阶段厨师助手

当你给 QuTuner 一个新的食谱进行优化时，它不会从零开始。它使用一个两步过程：

第一步：“找相似者”（剪枝模型/Pruning Model）：
QuTuner 查看你的新食谱并问道：“我的库里谁有看起来和反应起来都与这个食谱相似的食谱？”它使用一个智能 AI 模型来预测该食谱的“指纹”，并快速找到库中最相似的 10 个食谱。它会忽略掉数百万个不匹配的食谱。
第二步：“最佳挑选者”（排序模型/Ranker Model）：
现在它有了 10 个候选对象，QuTuner 使用第二个 AI 模型来进行排序。它会问：“在这些相似的 10 个候选者中，哪一个的最佳步骤顺序最有可能对你的特定食谱奏效？”它会选出胜出者。

4. 最后的润色：轻量化微调

即使在选出了最佳候选者之后，QuTuner 也不会就此停止。它会执行一次轻量级的“微调”（一个小型、快速的优化搜索）围绕所选的顺序进行调整。这就像厨师在最后一次品尝蛋糕，并根据需要加一撮盐，而不是重新开始整个烘焙过程。

为什么这很重要？

论文通过使用两种流行的量子工具 Qiskit 和 PyTKET，将 QuTuner 与其他方法（如随机猜测、遗传算法，甚至 AI 语言模型）进行了对比测试。

更好的结果： QuTuner 显著降低了量子电路的“成本”（更少的错误、更少的步骤），其表现优于其他方法。在 Qiskit 上，与最强的竞争对手相比，它将结果提升了高达 84%。
速度更快： 它要快得多。虽然其他方法需要很长时间来搜索正确答案，但 QuTuner 能在极短的时间内找到优秀的答案（将调优时间减少了高达 73%）。
多功能性： 即使在不同的量子计算机（模拟后端）上进行测试，以及当目标从“减少步骤”变为“提高准确度”时，它依然表现出色。

核心结论

QuTuner 就像是一个“见多识广”的量子编译器。它不是在盲目猜测或仅观察少数选项，而是从海量的历史成功案例中学习。它利用智能匹配系统找到与你的食谱相似的案例，选取最佳的历史策略，然后进行快速调整。其结果是：量子程序运行得更快、更准确，且等待时间更短。

技术摘要：QuTuner

问题陈述
量子编译器对于将量子线路转换为硬件可执行形式至关重要，旨在通过减少线路级指标（如双比特 (2Q) 门计数、单比特 (1Q) 门计数和线路深度）来提高执行保真度。虽然编译器 Pass（优化步骤）调优在经典计算领域已非常成熟，但将这些技术迁移到量子编译器时面临着独特的挑战。现有的量子编译器调优方法存在两个主要局限性：

搜索空间有限： 先前的研究通常将优化限制在可用 Pass 的一个子集内（例如，仅对 PyTKET 中的 29 个 Pass 中的 4 个或 Qiskit 中的 23 个 Pass 中的 9 个进行调优），以控制搜索复杂度，从而错失了全局有效的序列。
特征建模不完整： 当前的方法过度依赖静态线路特征（如纠缠率、DAG 结构），这些特征描述了线路拓扑，但未能明确捕捉特定线路对单个优化 Pass 的反应方式。

方法论：QuTuner
作者提出了 QuTuner，这是一个特征驱动且由学习引导的框架，旨在搜索完整的优化 Pass 空间，并实现跨编译器和目标的泛化。该框架分为两个阶段运行：

离线阶段（数据集构建与模型训练）：
- 优化数据集： 作者使用来自 QCircuitBench 的 8,111 个线路构建了一个大规模数据集。对于每个线路，他们在整个优化 Pass 集（Qiskit V2.2.3 中的 29 个 Pass）上进行贝叶斯优化 (BO)，以确定最优的 Pass 序列。
- 特征表示： 每个线路通过两个互补的视角进行表征：
  - 静态特征： 包括四个类别：规模（量子比特数、深度）、结构（纠缠率、并行性）、相互作用图（量子比特连通性）以及 DAG 特征（门依赖关系）。
  - 优化感知型 Pass 嵌入 (Optimization-Aware Pass Embeddings)： 一种新颖的机制，通过将每个优化 Pass 单独应用于电路，以测量 2Q 门、1Q 门和深度的相对变化。这些变化被拼接成一个 Pass 嵌入，从而捕捉电路对优化的特定响应。
- 模型训练： 在该数据集上训练了两个模型：
  - 剪枝模型 (Pruning Model)： 一个基于图 Transformer 的模型，输入为静态特征，用于预测新电路的 Pass 嵌入。这使得系统能够在不进行昂贵的重新剖析 (re-profiling) 过程的情况下检索相似电路。
  - 排序模型 (Ranker Model)： 一个根据输入电路的特征和预测的嵌入对从数据集中检索到的候选 Pass 序列进行评分的模型，从而选择最有希望的序列。
在线阶段（推理与精炼）：
- 对于一个新的输入电路，QuTuner 提取其静态特征，并使用剪枝模型预测其 Pass 嵌入。
- 它从优化数据集中检索前 $k$ 个 (10) 最相似的电路及其关联的最优 Pass 序列。
- 排序模型对这些候选序列进行评分，以选择最佳的初始序列。
- 一个轻量级贝叶斯优化步骤会对该种子序列进行精炼，通过探索检索到的序列的邻域，以找到最终优化的 Pass 顺序。

核心贡献

全 Pass 空间探索： QuTuner 是首个对所研究量子编译器的完整优化 Pass 空间（例如 Qiskit 中的全部 29 个 Pass）进行调优的工作，超越了先前研究中使用的受限子集。
优化感知型 Pass 嵌入： 本文引入了一种 Pass 剖析机制，生成的嵌入能够反映电路对单个 Pass 的反应，补充了静态结构特征。
特征引导框架： 作者提出了一个两阶段检索与排序系统（剪枝模型和排序模型），在检索效率与优化效果之间取得了平衡，并辅以轻量级 BO 精炼。
大规模数据集： 通过利用经由 BO 调优的 8,111 个电路构建的优化数据集，为未来的量子编译器优化研究提供了基础资源。

实验结果
作者在 Qiskit (V2.2.3) 和 PyTKET (V2.13.0) 上使用来自 QASMBench 和 VeriQBench 的基准测试（共 180 个案例）对 QuTuner 进行了评估。

优化有效性： 在 Qiskit 上，相比于最强的基准方法（贝叶斯优化），QuTuner 将指标减少量提升了高达 84.85%，并优于遗传算法、强化学习和基于 LLM 的方法。在 PyTKET 上，它比 BO 提升了 18.68% 的指标减少量。
时间效率： 与 BO 相比，QuTuner 在 Qiskit 上减少了 73.59% 的调优时间，在 PyTKET 上减少了 64.49%，同时显著快于穷举搜索方法。
可扩展性与适应性： 该框架在不同后端规模（65 到 156 个量子比特）下表现出一致的性能，并成功适应了不同的编译器（PyTKET）和调优目标（估计保真度 vs. 线路级指标）。

意义与主张
本文声称，QuTuner 通过解决搜索空间覆盖范围与计算成本之间的权衡，为量子编译器的自适应 Pass 调优提供了一种有效的方法。通过利用大规模数据集和基于学习的优化感知特征检索，QuTuner 以显著降低的在线调优开销实现了卓越的优化结果。作者强调，他们的方法能够发现此前由于搜索空间受限而无法获取的全局有效 Pass 序列。