技术摘要：利用量子电路的可验证结构，通过智能体 AI 寻找更高效的编译方案

问题陈述

将容错量子算法编译为具体的电路涉及在算术分解、辅助比特管理和精度权衡的庞大设计空间中进行导航。从历史上看，这一过程通常是手动且缓慢的，优化单个子程序往往需要数月时间。虽然存在自动化优化器，但它们通常仅限于保持小规模子电路的精确酉矩阵，而非改变算法结构或其近似形式。

使用 AI 智能体进行此类自动搜索的核心挑战在于缺乏快速、可靠的验证机制。对于通用量子电路，判定候选电路是否匹配目标酉矩阵是一个 QMA 完全问题，在经典计算机上是难以处理的，且无法处理超过约 40 个量子比特的情况。因此，AI 智能体无法在没有“测试桩（test harness）”的情况下高效地迭代电路设计，因为该测试桩必须能够快速验证正确性并对资源成本进行评分。

方法论

本文提出了一种范式，将优化限制在一种被称为 kickmix 电路 的特定类别量子电路中。这些电路完全由以下组成：

1. 可逆经典门（例如 X, CX, CCX, SWAP）。
2. 对角相位门（例如 Z, CZ, CCZ, Z_POW）。
3. 基于测量的去计算（HMR：Hadamard, Measure, Reset）。
4. 经典比特操作（设置或反转经典寄存器）。

由于 kickmix 电路中的每条指令都将一个计算基态映射到单个计算基态（仅差一个标量相位），因此经典模拟器可以以与门数量呈线性关系的执行时间来运行这些电路。这使得通过随机采样的经典输入进行“模糊测试（fuzz testing）”变得高效可行。

为了确保安全性并防止参与者针对固定测试集硬编码输出，作者采用了 Fiat-Shamir 启发式方法。验证器通过哈希提交的电路文件（使用 SHA-256）来为确定性伪随机生成器提供种子，进而产生挑战输入。这创建了一个非交互式的、可重现的验证协议。

作者通过实现电路在这些采样基输入上的失败率，来界定实现电路与相干叠加态下的理想酉矩阵之间的距离。如果一个电路在一定比例 $\epsilon$ 的随机输入上失败，则其与理想状态的迹距离被限制在 $2\sqrt{\epsilon}$ 以内。

主要贡献

本文通过以下三个方面为 AI 驱动的量子电路优化提供了支持：

1. Kickmix 软件包： 发布了 kickmix，这是一个位于 Qualtran 框架内的开源 C++20 和 Python 软件包。它经过性能优化，能够在单个 CPU 核心上构建并模拟包含超过 $10^8$ 个门的电路。它利用结构化数组（struct-of-arrays）表示法和 SIMD 并行技术，实现每秒高达 $6.0 \times 10^{10}$ 条指令的模拟速度。
2. 非交互式验证协议： 一种使用 Fiat-Shamir 启发式方法验证候选电路的形式化方法。该协议根据电路的加盐哈希生成测试输入，确保只要电路符合 kickmix 结构，其在采样基输入上的近似正确性即可保证在算法所使用的量子态上具有高保真度。
3. 三个新基准测试和一个 Kaggle 竞赛： 作者定义了三个特定的基准测试，每个基准测试都隔离了在更大规模容错算法中占据主导成本的 kickmix 子程序。他们为以下内容提供了参考实现和验证策略：
   • 基准测试 I（平方根倒数）： 计算 $1/\sqrt{x}$ 用于库仑算符模拟，这对于模拟惯性约束聚变反应堆至关重要。任务涉及归一化输入、多项式逼近以及带有相位反馈（phase kickback）的牛顿-拉夫森迭代。
   • 基准测试 II（Reed-Solomon 解码）： 用于解码量子干涉测量（DQI）解决最优多项式交点（OPI）问题的综合征解码。这涉及通过扩展欧几里得算法求解关键方程，并根据测量记录修正相位。
   • 基准测试 III（QROM 与 Majorana 旋转）： 用于块编码电子结构哈密顿量的量子查找表和受控 Givens 旋转。该基准测试侧重于优化 DFTHC（带张量超收缩的双因子分解）分解以及 Majorana 旋转的树状结构。

结果与评估

本文并未展示来自竞赛的最终优化结果，而是建立了该框架和基准实现。

• 性能： kickmix 模拟器成功在不到 5 秒的时间内构建了一个包含 8600 万个门的 DQI 电路，并在 150 秒内检查了 102,400 次综合征解码采样。
• 基准成本： 作者提供了具有特定资源计数的参考电路（例如，基准测试 I 的参考电路使用 260 个量子比特和约 7,735 个 Toffoli 门；基准测试 II 使用约 1,893 个量子比特和约 570 万个 Toffoli 门）。
• 评分： 基准测试利用时空得分（$Q \times C$）或重复开销加权得分（$R(\epsilon) Q^2 T$）来评估提交结果。评分考虑了量子比特数量、Toffoli 门以及近似合成的失败率。

作者指出，在其内部使用 AI 编程智能体的运行中，他们已经在这些特定问题上发现了比之前发表的基准实现更显著的改进，这表明该竞赛将进一步降低资源成本。

意义与展望

本文认为，这种方法使没有深厚量子计算背景的研究人员和工程师能够利用 AI 智能体参与容错编译，从而使这一过程民主化。通过将搜索空间限制在可验证的 kickmix 电路中，作者实现了一个此前难以处理的闭环优化过程。

作者确定了该范式的两个未来方向：

1. 架构感知编译： 超越逻辑量子比特和 Toffoli 计数，根据特定的量子纠错（QEC）架构（包括魔术态蒸馏和路由开销）对提交结果进行评分。
2. 机器可检查证明： 集成证明助手（如 Lean），允许 AI 智能体生成带有正确性和成本界限形式化证明的参数化构造，从而将验证能力从 kickmix 电路扩展到通用的量子酉矩阵。

论文总结道，快速的经典验证、AI 驱动的搜索以及形式化证明相结合，代表了优化端到端通用量子算法的一条充满希望的路径。