Transpiler Autotuning with Predictive Models for Quantum Circuit Optimization

约 2056 字大约 7 分钟

2026-08-04

作者: Piotr Malkowski, Domenik Eichhorn, Joshua Ammermann, Rinor Kelmendi, Nick Poser, Patrick Hopf, Ina Schaefer

1. 核心物理图象

这篇论文的核心物理图象可以类比为：为量子电路寻找一个"超级编译器"，它能像经验丰富的程序员一样，为每一段特定代码挑选最优的优化策略，而不是像现在这样对所有代码都用一套固定的"通用优化模板"。

在量子计算领域，量子电路（可以理解为量子程序）在运行前需要经过一个叫做"transpilation"的过程，将其优化并适配到具体的量子硬件上。这个过程中有一系列不同的优化步骤（称为"passes"），如何选择和组合这些步骤，对电路的最终性能（如双量子比特门的数量）影响巨大。目前，主流的工具如Qiskit，通常使用一组固定的、预先设定好的优化等级，这往往不是最优的。

该论文的贡献在于：他们提出并实现了一种自动化、智能化的方法。他们构建了一个庞大的数据集，记录了数千个不同量子电路在各种优化组合下的表现，然后利用机器学习模型（特别是XGBoost）来学习电路的特征与其最佳优化策略之间的关系。最终，这个训练好的模型可以像一个"预测器"一样，对于任何一个新的、从未见过的量子电路，快速推荐出最适合它的优化组合，从而最大化地减少电路中的双量子比特门数量，提升量子计算效率。

2. 关键术语解释

Transpilation (转译): 在量子计算中，Transpilation是类似于经典计算中"编译"的过程。它将一个用高级语言描述的量子算法，转换成一系列符合特定量子处理器物理约束（如量子比特连接方式、支持的逻辑门类型）的低级指令。本论文的核心就是自动化地改进这个过程的优化环节。
Transpiler Passes (转译器优化步骤): 这些是Transpilation过程中的具体优化或转换操作。每个pass都执行一个特定的任务，例如合并相邻的量子门、消除冗余操作或重写电路结构。Qiskit提供了几十个这样的passes，本论文要解决的问题就是如何为特定电路自动选择并排序这些passes。
Learning-to-Rank (学习排序): 这是一种机器学习方法。在这里，模型不是直接预测一个最优答案，而是学习如何对一组候选的优化配置（即不同的passes组合）进行排序，将预期效果最好的配置排在最前面。这比直接预测单一配置更高效、更精确，因为它利用了所有候选配置的相对性能信息。

3. 主要贡献 (Key Contributions)

自动化与智能化的Transpiler Pass选择：论文提出了一个全新的方法论，用监督式机器学习替代了人工设计或固定流程，为每个量子电路自动推荐最优的优化passes组合，解决了传统方法无法为特定电路进行针对性优化的问题。
构建了大型、公开的数据集：作者设计了一个基于特征模型的采样策略，系统性地探索了庞大的优化组合空间。他们生成了一个包含1,943个量子电路和62种优化配置的大规模数据集，记录了所有组合的性能表现。这是该领域首次进行如此大规模的经验性研究，数据本身就是一个宝贵的研究资源。
显著的性能提升：实验证明，该模型推荐的优化配置在减少双量子比特门数量上，平均比Qiskit的默认优化等级多减少19.1%至32.4%。对于Qiskit完全无法优化的某些电路（如realamprandom类），该模型能实现高达**95.8%**的减少。
可解释性分析 (SHAP)：论文不仅追求性能，还利用SHAP分析框架解释了模型的决策过程，指出了哪些优化passes对哪些类型的电路最有效，并揭示了原因。这为量子编译工具的未来改进提供了数据驱动、富有洞察力的指导。

4. 研究方法 (Methodology)

作者的方法论是一个完整的自动化流程，主要包含以下几个步骤：

搜索空间形式化：首先，作者将Qiskit中所有可用的优化passes及其依赖关系，用特征模型 (Feature Model) 进行了形式化描述。这确保了后续生成的任何pass组合都是有效且可执行的。
配置采样：由于所有pass的组合数量是组合爆炸的，作者采用3-way交互采样算法 (YASA)，从庞大的搜索空间中提取了62个具有代表性的有效配置，用以训练模型。
数据集生成：将这62种配置应用到从MQT Bench基准测试套件中提取的1,943个不同量子电路上，计算出每种配置对每个电路的双量子比特门减少量，并提取电路的各种特征（Explanatory Variables），形成一个带标签的大数据集。
机器学习预测器：基于这个数据集，作者训练了一个基于XGBoost的Learning-to-Rank模型。对于一个新的电路，该模型可以快速对所有62种配置进行排序，预测出哪种配置能带来最大的双量子比特门减少。
可解释性分析：最后，利用SHAP框架分析训练好的模型，以理解哪些电路特征和优化passes是驱动优化效果的关键因素。

5. 实验结果与结论 (Results and Conclusion)

关键结论：论文的实验结果令人信服地证明了其方法的优越性。预测器在98.7%的测试电路上选出了最优配置，并且其推荐的配置从未比Qiskit的任何默认优化等级表现更差。特别地，对于某些算法类别，如realamprandom、su2random和twolocalrandom，当Qiskit无法实现任何优化时，该方法能减少超过92%的双量子比特门。这表明放弃固定的优化等级，转向数据驱动的、针对特定电路的自动优化，是提升量子编译效率的关键。

对领域的意义与开放问题：这项工作为量子软件工程中的"量子软件危机"提供了一种潜在的解决方案，为量子编译流水线的智能化开辟了新的道路。然而，论文也指出了一些局限性，为未来研究留出了空间：

硬件依赖：当前工作聚焦于硬件无关的优化，如何将该方法推广到布局、路由等硬件相关的编译阶段，是一个重要的未来方向。
框架版本依赖：模型和数据集与特定版本的Qiskit绑定，面对Qiskit的更新，需要重新训练或调整模型。
执行顺序：方法依赖人工定义的pass执行顺序，未来可以探索如何自动学习最优的执行顺序，可能带来更大的性能提升。

6. 论文标签 (Tags)