作者: Wenjie Sun, Xiaoyu Li, Zhigang Wang, Lianhui Yu, Geng Chen, Guowu Yang

1. 核心物理图象

本文的核心物理图象是：将中性原子量子计算机编译过程中的空间约束（比如哪些原子门可以同时执行而不互相干扰）和时间路由（如何移动原子而不“撞车”）这两个紧密耦合的难题，进行解耦，分而治之。

这项工作的主要贡献是提出了一个名为ARGON的编译框架。它通过离线预先计算好所有可能的、硬件允许的高效原子布局，然后训练一个图神经网络（GNN）来预测哪个布局能最大化未来原子移动的效率，从而将原本耗时数小时的编译过程缩短到10秒以内，同时还能提升最终量子门的执行保真度。

2. 关键术语解释

• 时空解耦 (Spatiotemporal Decoupling): 这是本文的核心思想。在传统方法中，编译时需要同时考虑“两个原子能不能放在一起执行门”（空间）和“移动它们时会不会撞上别的原子”（时间），导致计算量爆炸。ARGON强行把这个问题拆成两个独立步骤：先只考虑空间，离线算好所有可行的布局；再只考虑时间，高效选择最佳布局来指导原子移动。
• 图神经网络 (GNN) 预测器: 这是一种人工智能模型。ARGON用它来预测，如果选择了某个特定的原子布局，未来的一系列原子移动步骤会不会变成“死胡同”。它通过看当前原子的位置和未来要执行哪些门，就像一个“先知”一样，提前避开那些会导致后续移动拥堵的布局，从而保证整体效率。
• 离线空间布局库 (Offline Spatial Layout Library): 这是ARGON“空间解耦”的具体实现。它利用一个数学求解器（SMT求解器），在编译之前就一次性算好所有可能的、能让并行门数量最大化的原子放置方案。因为这些方案是硬件规则决定的，与具体的量子程序无关，所以可以被提前算好并存储为一个“库”，编译时直接调用，省去了大量的实时计算。

3. 主要贡献

1. 提出了时空解耦的编译新范式：从根本上解决了现有编译器在规模扩大时，因“空间”和“时间”问题耦合而导致的编译时间指数爆炸或执行保真度急剧下降的瓶颈。
2. 创新性地引入离线布局库和GNN预测器：将静态的、通用的硬件约束（空间）提前解决，并将动态的、与具体电路相关的路由优化问题，转化为一个高效的、由GNN驱动的预测任务，实现了编译速度和执行质量的双赢。
3. 实现了数量级上的性能提升：在实验评估中，ARGON的编译速度比现有最先进的方案平均快了超过600倍，在密集量子电路上，物理执行保真度提升了高达100倍。所有任务均在10秒内完成编译。

4. 研究方法

ARGON通过一个三阶段的编译流程实现其目标：

1. 离线布局生成：首先，将硬件的物理约束（如里德堡相互作用半径、并行执行时的互斥区域）建模成一个数学问题，并用SMT求解器离线圈出来一个“空间布局库”。这个库里的每个布局都保证了最大化的并行门操作，完全消除了编译时对空间合法性的检查开销。
2. GNN指导的布局选择：编译时，ARGON使用一个图神经网络来评估库中的候选布局。该网络会编码当前原子位置、全部待执行逻辑门的依赖关系（即电路图）以及候选布局信息，然后预测出哪个布局导致的未来原子移动开销（如碰撞、绕路）最小。
3. 启发式并行路由：最后，一个轻量级的启发式路由器根据GNN选中的布局，设计出具体、无碰撞的原子移动路径，并打包成并行执行的硬件指令。由于最困难的决策在前两步已经完成，这一步只需处理路径查找和简单的冲突解决。

5. 实验结果与结论

• 关键结论：实验表明，ARGON在从5到60个量子比特的各种标准测试电路上，均能保持10秒以内的超快编译速度，同时其生成的硬件执行方案在执行保真度上也显著优于现有方法。这证明了“时空解耦”是解决中性原子量子计算机可扩展性瓶颈的有效途径。
• 对领域意味着什么：这项工作首次成功地将**人工智能（图神经网络）**作为核心组件融入中性原子量子编译框架，为解决大规模量子计算中的系统设计问题提供了全新思路。它表明，通过策略性地将昂贵的计算负载转移到离线阶段，并利用AI进行高效推理，可以克服传统编译方法无法逾越的困难。
• 开放性问题和未来启示：本文主要面向“单块式”的原子阵列。未来的研究可以将ARGON的核心思想扩展到更复杂的“分区式”量子架构，并探索如何让它更自然地融入未来容错量子计算的整体流程中。

6. 论文标签

中性原子, 编译与优化, 量子机器学习, 里德堡原子, 模拟

📄 点击此处展开/折叠原文 PDF

原文链接： ARGON: A GNN-Empowered Compilation Framework for Scalable Neutral Atom Computing