作者: Andi Gu, Alek H. Kemeny, Susanne F. Yelin, Mikhail D. Lukin

1. 核心物理图象

• 任务：这篇论文要解决的核心问题是：如何为量子计算机自动设计出更高效的“可逆算术电路”。量子算法中大量使用经典函数（如解码、开方、模逆），但这些函数必须编译成可逆的量子电路才能在量子硬件上运行。传统上，人类手工设计这些电路，难以同时兼顾“可逆性”和“资源开销”。本文提出用大语言模型作为“电路设计师”，让 LLM 提出电路方案，再由一个独立的“评估器”自动验证并打分，通过进化式搜索不断迭代，最终在 8 个任务中的 7 个上，找到了比当前最优方案更省 Toffoli 门、更省量子比特的电路。

• 目标：让读者在不了解任何术语的情况下，也能对论文有一个直观印象——把“设计量子电路”这件事，从人类专家手工推导，变成“AI 提出想法 + 自动裁判打分”的进化搜索游戏，并且 AI 真的找到了比人类更好的设计。

2. 关键术语解释

• 条件路由 (Conditional Routing)：传统做法是给每个分支都单独配一套“昂贵算术电路”，然后根据条件选择用哪一套。条件路由则反过来——先用便宜的“交换”操作把数据路由到正确位置，让所有分支共享同一条昂贵算术路径。作用：在不增加正确性负担的前提下，把 Toffoli 门数几乎减半。

• 分支解码 (Branch Decoding)：可逆计算在“反算”时必须知道正向计算时走了哪个分支。传统做法是把每个决策都存进一个“历史栈”，占用大量量子比特。分支解码则利用寄存器中残留的、可区分的模式，在反算时直接把分支决策“读出来”，从而省掉历史栈。作用：这是让 Berlekamp–Massey 和 divstep 这类原本“不可逆友好”的算法变得可逆可行的关键技术。

• 失败预算 (Failure Budget)：大多数量子算法允许极小的失败概率。论文把这份“失败预算”当作一种资源——把只对罕见输入才需要的电路部件（如额外的历史栈条目、额外的迭代窗口）直接删掉，从而大幅节省 Toffoli 和量子比特，代价是极少数罕见输入会失败。作用：这是资源节省的第三个核心杠杆。

3. 主要贡献 (Key Contributions)

• 提出“LLM 提议 + 独立评估器验证打分”的进化式电路发现框架：LLM 不直接生成门序列，而是生成高层 Python 程序来构造电路；评估器自动检查正确性、Toffoli 数和峰值量子比特数，并按 TQ-cost 打分。这使搜索能够跨越“算法家族”进行，而不是只做局部改写。

• 在 8 个编译任务中的 7 个上，同时减少 Toffoli 数和量子比特数：例如 Reed–Solomon 解码器 Toffoli 减少 12 倍，HHL 旋转角 Toffoli 减少 12 倍、量子比特减少 2.6 倍，固定点高斯函数 TQ-cost 改善 39 倍。

• 发现了一个全新的可逆素数域模逆架构：基于 divstep 算法，通过“分支解码 + 失败预算”使其可逆，在 256 位素数域点加法基准上，以 935 量子比特和 400 万 Toffoli 实现了此前被认为不切实际的可逆整数算术。

• 提炼出三条可复用的“算法–电路协同设计”原则：条件路由、分支解码、失败预算驱动的资源裁剪。这三条原则贯穿所有成功案例，具有跨任务的普适性。

4. 研究方法 (Methodology)

• 搜索框架：使用 OpenEvolve 进化搜索，LLM（Claude Mythos 5）负责提出和改写电路生成程序，独立的 kickmix 评估器负责验证正确性（包括相位、辅助比特归零）并计算 TQ-cost。

• 电路表示：候选电路表示为 Python 程序，使用 alloc/free、ccx、Clifford 门、测量基反算（MBU）等高层接口，保留算法结构，便于 LLM 进行“概念级”修改。

• 搜索策略：先由 LLM 提出多个“算法家族”，各家族独立并行进化，周期性共享优秀候选，防止陷入局部最优；保留不同 (T, Q) 权衡的精英电路（MAP-Elites）。

• 关键设计原则（与术语解释呼应）：条件路由减少受控算术；分支解码利用寄存器残留信息替代历史栈；失败预算删除罕见输入专用电路。

5. 实验结果与结论 (Results and Conclusion)

• 关键结论：在 8 个任务中，7 个任务的发现电路在 Toffoli 数和量子比特数上同时优于基线；第 8 个任务（素数域模逆）发现了一个全新的可逆架构，使原本不实用的 divstep 算法变得可行。这表明：量子算术的许多“看似固有”的开销，其实来自现有可逆构造的局限，而非算法本身。

• 对领域的意义：这是首次展示 LLM 引导的搜索可以发现新的可逆算法结构，而不仅仅是优化固定设计。它为“端到端容错量子计算协同设计”打开了大门——未来可以把算法、逻辑电路、纠错码、魔态工厂和物理架构放在同一个评估器中联合优化。

• 开放性问题：(1) 评估目标 TQ-cost 是人为选定的，实际硬件中量子比特、深度、路由、测量各有不同权重，如何选择硬件适配的目标函数仍是开放问题；(2) 当前框架固定在计算基下指定变换，无法利用“改变编码本身”的优化（如陪集表示）；(3) 如何将逻辑错误传播、资源需求和硬件约束跨层联合评估，实现真正的端到端协同设计，是未来方向。

6. 论文标签 (Tags)

量子算法, 编译与优化, 量子机器学习, 量子信息

📄 点击此处展开/折叠原文 PDF

原文链接： Discovering state-of-the-art quantum circuits with large language models