⚛️ quantum physics

COSMA: Communication-aware Optimization of Fermionic Simulation Kernels for Modular Quantum Architectures

本文介绍了 COSMA，这是一个通信感知的编译框架，它通过联合优化费米子到量子比特的映射、泡利调度以及量子比特分配，显著降低了用于费米子模拟的模块化量子架构中的核间通信成本。

原作者： Enrico Russo, Francesco G. Blanco, Elio Vinciguerra, Davide Patti, Giuseppe Ascia, Maurizio Palesi

发布于 2026-07-13

📖 1 分钟阅读🧠 深度阅读

原作者： Enrico Russo, Francesco G. Blanco, Elio Vinciguerra, Davide Patti, Giuseppe Ascia, Maurizio Palesi

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，你正试图解开一个宏大且令人眼花缭乱的谜题，但拼图碎片散落在一家巨大的仓库里。在量子计算的世界中，这个“谜题”就是模拟复杂的分子，以发现新的药物或材料。这些“碎片”是被称为量子比特（qubits）的微小信息单位。

长期以来，科学家们一直试图建造一个巨大的、超高速的处理器来容纳所有这些碎片。但随着谜题变得越来越大（比如模拟固氮酶），单个处理器会变得过热、过于混乱且难以构建。这就像是试图把一整座图书馆塞进一个单只鞋盒里。

因此，明智的做法是构建一个模块化系统：与其建造一个巨大的大脑，不如构建许多较小的、高效的大脑（称为量子处理单元，或 QPU），并用特殊的“传送”导线将它们连接起来。这就像是一群分布在不同房间里的专家，需要通过传递笔记来共同解决问题。

大问题：走廊交通拥堵
问题在于：在房间之间传递笔记既慢又昂贵。如果你的专家们每次交换信息时都必须在仓库里来回奔跑，整个过程就会陷入停滞。在论文中，作者将其称为“核间通信”（inter-core communication），这也是量子世界中最大的交通拥堵。

解决方案：COSMA
于是有了 COSMA，这是一个由 Enrico Russo 及其团队设计的全新“交通管制系统”。你可以把 COSMA 想象成一个超级聪明的物流经理，它不仅告诉专家们要做什么，还告诉他们站在哪里以及何时移动，从而完全避免走廊交通。

COSMA 同时完成三项任务，就像是一个拥有三重威胁能力的超级英雄：

重新排列碎片（映射/Mapping）： 它决定哪个专家持有哪个拼图碎片。它不是采用随机的排布，而是使用一种巧妙的遗传算法（类似于代码的自然选择），寻找最佳的排布方式，使得需要互相通信的碎片本身就在同一个房间里。
排序指令（调度/Scheduling）： 它计算出解决谜题的最佳顺序。想象一下一份任务清单：如果你先做任务 A 再做任务 B，你可能需要跑遍整个房间；但如果你先做任务 B 再做任务 A，你可能可以留在原地不动。COSMA 会寻找能让每个人尽可能留在各自房间内的顺序。
搭建桥梁（分配/Allocation）： 当某个任务确实需要两个不同房间的专家协作时，COSMA 会构建一条最高效的桥梁（一个“奇偶树/parity tree”）来连接他们，从而最大限度地减少他们需要移动的距离。

结果：加速进程
该团队在 14 种不同的分子上测试了 COSMA，从简单的水到复杂的胞嘧啶（cytosine）。他们将新系统与现有的标准方法进行了对比。

结果令人印象深刻。在这些模拟中，COSMA 成功地将“交通量”（通信成本）降低到了现有最佳方法的 2.5 倍以内。平均而言，通过减少数据在核心之间移动的需求，它使通信成本降低了 1.7 倍。

他们没有做的事情（以及为什么这很重要）
了解并非什么非常重要。论文并未声称解决了所有量子误差的问题，也没有声称构建出了目前就能运行此系统的物理机器。他们并没有试图通过改变谜题本身的数学逻辑来优化模拟的“准确性”；他们纯粹专注于移动碎片的物流管理。

此外，他们并非凭空猜测。他们在计算机上使用真实的分子数据（来自 PubChem 数据库）运行了这些测试，并模拟了量子电路。他们甚至构建了一个特殊的、超高速的版本，利用图形处理器（GPU）来处理繁重的数学运算。对于他们测试的最大分子（胞嘧啶），软件规划路径仅耗时约 22 秒，这足以满足实用需求。

底线
作者认为，如果我们想要扩展量子计算机规模，以应对未来极其困难的化学问题，我们不能仅仅建造更大的房间；我们必须更聪明地组织房间内的人员。通过将量子比特的映射、调度和移动视为一个整体、相互关联的问题，COSMA 表明我们可以显著减少目前阻碍我们的“走廊交通”。这是一个概念验证，证明了跨层级的协同合作是开启下一代量子模拟的关键。

技术摘要：COSMA —— 面向模块化量子架构的费米子模拟核通信感知优化

1. 问题陈述

量子模拟是量子计算的一个主要应用领域，特别是在计算化学和材料科学中。然而，要实现对具有化学相关性问题（例如模拟 FeMoco 活性位点）的实际量子优势，考虑到量子纠错，需要数百万个物理比特。由于控制复杂度、串扰和热管理问题，单体架构在扩展到这一规模时面临重大障碍。因此，由相互连接的量子处理单元（QPU）组成的模块化（多核）量子架构被提出。

在模块化系统中，核间量子通信（通过遥测或分布式纠缠）成为主要的性能瓶颈。诸如状态传输之类的操作成本高昂、会引入噪声，并且如果处理不当，会在执行时间中占据主导地位。现有的编译框架通常孤立地优化费米子到比特的映射、泡利调度以及比特分配，或者仅针对单核拓扑进行优化，未能解决模块化系统中固有的特定通信开销问题。

所解决的核心问题是对三个紧密耦合的阶段进行联合优化，以最小化费米子模拟核的核间状态传输：

费米子到比特 (F2Q) 映射： 将费米子算符编码为比特算符。
泡利调度 (Pauli Scheduling)： 对 Trotter 化时间演化电路中的泡利项进行排序。
比特分配与路由： 将逻辑比特分配给物理核，并为泡利小工具（gadgets）合成奇偶校验树（parity trees）。

2. 方法论：COSMA 框架

作者提出了 COSMA，这是一个执行跨层协同设计的通信感知编译框架。该框架将编译流程视为一个统一的优化问题，而非一系列独立的步骤。

A. 问题建模

输入包含一个处于 Majorana 形式的费米子哈密顿量，以及一个具有特定核心容量和核间距离的多核硬件图。优化目标是最小化总的核间传输成本，该成本定义为逻辑比特在连续电路切片之间移动的距离之和。成本函数取决于四个耦合变量：

映射 ( $M$ )： 一种乘积保持三元树 (PPTT) 映射，决定了每个泡利串的支持集（涉及的比特）。
排序 ( $\pi$ )： Trotter 序列中泡利项的排列。
奇偶校验树 ( $\{T_t\}$ )： 定义每个泡利小工具 CNOT 结构的生成树。
分配 ( $\{\ell_l\}$ )： 每个电路切片中逻辑比特到核心的分配。

B. 关键算法组件

1. 费米子到比特映射优化

COSMA 采用遗传算法 (GA) 来优化 F2Q 映射。

基因组编码： 一个候选映射被编码为一个两部分的基因组：一个树形染色体（三元树的前序度序列）和一个模式分配染色体（费米子模式到树节点的排列）。
进化： GA 使用锦标赛选择、子树交换交叉和子树替换变异。
适应度： 适应度函数是运行下游调度和分配阶段后产生的总核间传输成本，其中该特定的映射被固定。这使得映射能够针对模块化架构的通信约束进行专门优化。

2. 泡利调度

一旦确定了映射，就会对泡利项进行排序，以最小化连续小工具之间的支持集变化。COSMA 评估了三种策略：

量级排序 (Magnitude Ordering)： 按系数大小排序（用于减少误差的标准方法）。
字典序排序 (Lexicographic Ordering)： 按字母顺序排序，以最大化门抵消。
类 Gray 排序 (Gray-Inspired Ordering)： 基于支持掩码的 Gray 码变换进行排序。其目的是将具有相似支持集的项在调度中相邻放置，从而最小化连续支持集之间的汉明距离，进而减少比特移动。

3. 奇偶校验树合成与多核分配

此阶段在合成每个泡利小工具的 CNOT 奇偶校验树的同时，确定比特的放置位置。它使用了一种前瞻启发式算法 (lookahead heuristic)：

错位评分 (Misplacement Score)： 根据每个比特在其前瞻窗口内未来交互伙伴的距离计算得分。
奇偶校验森林构建 (Parity Forest Construction)： 将支持比特按其当前的核心分配进行分组，在核心内部形成局部 CNOT 链。
汇合核心选择 (Meeting Core Selection)： 识别出一个“汇合核心”，该核心能最小化到所有支持比特的加权距离，充当空间吸引子。
前向与后向合并 (Forward and Backward Merge)： 迭代地将来自不同核心的互不相交的子树合并为一个单一的奇偶校验树。算法根据未来的交互距离和核心容量约束，决定是移动一个代表性比特还是将其与驻留比特进行交换。此过程生成了所需的电路切片序列和核间传输。

3. 主要贡献

首次协同设计研究： 据作者所知，这是首个专门针对模块化架构上的量子模拟核，对 F2Q 映射、泡利调度和比特分配进行联合优化的工作。
用于映射的遗传算法： 一种新颖的 GA 方法，用于针对核间通信成本优化三元树 F2Q 映射，超越了固定的编码方式（如 Jordan-Wigner 或 Bravyi-Kitaev）。
启发式合成与分配： 一种快速的启发式算法，用于针对泡利小工具序列进行奇偶校验树合成和比特分配，利用前瞻窗口来最小化未来的通信压力。
开源框架： 一个开源的、经 GPU 加速的框架 (COSMA)，用于评估这些策略，可在提供的仓库中获取。

4. 实验结果

该框架在 14 个分子工作负载（范围从 14 到 90 个费米子模式）上进行了评估，使用的是 2D 网格多核架构。

性能对比基准： 与最先进的基准（如结合了匈牙利算法和标准调度的固定映射 JW, BK, PE, JKMN）相比，COSMA 实现了：
- 使用 Gray 类调度时，通信成本中值降低 1.7 倍（59.7% 的降幅）。
- 使用量级排序时，通信成本中值降低 1.4 倍（42.8% 的降幅）。
- 对于特定工作负载，通信成本最高可降低 2.5 倍。
消融实验：
- 映射的影响： 仅优化映射（固定调度/分配）比最佳固定映射的中值提升了 11.4%，但由于 GA 的搜索预算有限，随着系统规模增大，增益有所下降。
- 调度的影响： Gray 类调度显著优于量级排序（中值降低 46.0%）和字典序排序（中值降低 10.5%），证实了平滑支持集转换对于模块化系统至关重要。
运行时间： 该框架使用 C++ 实现并经过 CUDA 加速。合成与分配阶段是瓶颈，其复杂度随模式数量呈约四次方关系缩放（受泡利项数量驱动）。多线程和 CUDA 分别提供了 5.0× 和 9.4× 的加速。

5. 重要性与声明

论文认为，跨层协同设计对于高效且可扩展的模块化硬件量子模拟至关重要。结果表明，孤立地优化映射、调度和分配是次优的，因为这些阶段是紧密耦合的；其中一个阶段的次优选择会限制其他阶段。

作者声称，通过在统一框架内明确针对核间通信进行优化，COSMA 显著降低了原本可能在模块化量子计算机中占据主导地位的通信开销。这种方法通过缓解主要的瓶颈，为通过减轻模块化架构的主要阻碍来扩展量子模拟以处理具有化学相关性的问题提供了一条路径。

6. 局限性与未来工作

作者承认存在若干局限性：

成本模型： 传输成本模型基于最短路径距离，未考虑链路容量、拥塞或延迟不对称性。
Trotter 误差： 该框架并未显式优化因重新排序非对易项而引入的 Trotter 误差，而是专注于通信。
映射族： 当前方法仅限于 PPTT 映射（N 个模式对应 N 个比特）。尚未探索具有不同缩放比例的映射（例如基于 LDPC 码的映射）。
流水线重叠： 其目标是最小化传输次数，而未考虑将通信与局部计算进行重叠的可能性。

未来的工作包括完善硬件成本模型、纳入 Trotter 误差权衡、探索更具表达力的进化算子，以及将框架扩展到其他模块化拓扑结构和变分算法。