作者: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

1. 核心物理图象

本文的核心图象是：在NISQ（有噪中等规模量子）时代，量子计算机的硬件限制（如有限的量子比特连接和噪声）使得量子算法必须经过“编译”才能运行。选择不同的编译方案会得到质量不同的量子电路。

为了量化电路质量，人们通常使用一些容易计算但精度不高的指标，比如“电路深度”或“门数量”。本文的贡献在于：（1）提出了一种更精细的新指标——加权成功试验概率 (wPST)，它能更好地辨别不同噪声水平下的电路优劣；（2）训练了一个机器学习模型来快速预测这一高质量指标，避免了耗时的真实电路运行；（3）进一步设计了一个“两步预测”框架，使得即使对于尚未编译的原始电路，也能预先估计出其最终的执行质量，从而指导编译器做出更优选择。

2. 关键术语解释

• 量子电路编译 (Quantum Circuit Compilation / Transpilation)： 这是一个映射过程，它将一个理想的、抽象的量子算法转换为能在特定量子处理器上直接执行的实际操作序列（门和连线方式）。这个过程必须满足硬件固有的连接限制和原生门集，并尝试优化以减少噪声影响。本文的研究目标就是改进这个过程中的电路选择环节。

• 品质因数 (Figure of Merit, FoM)： 在编译众多可能方案中选择“最好”的电路时，需要一个量化标准，这就是FoM。如同试卷的评分标准。最简单的FoM如“门数量”就像只论字数，忽略了内容质量；而本文提出的wPST则像是一份更智能、更全面的评分标准，能更真实地反映电路的实际执行效果。

• 加权成功试验概率 (Weighted Probability of Successful Trials, wPST)： 一种新的、更精细的品质因数。传统的“成功试验概率 (PST)”只看所有量子比特输出是否都完全正确（全0）。而wPST则允许部分正确：它根据每个测量结果中有多少个比特是正确的来赋予权重（例如，8个比特的量子芯片测出6个正确比特就算0.75分，而测出全部正确才算1分）。这使得wPST能区分“几乎成功”和“完全失败”的电路，提供了比PST更丰富的噪声信息。

3. 主要贡献

• 提出了更智能的FoM (wPST)：作者分析并指出现有FoM的不足，创造性地提出了wPST。相较于直接输出“全有或全无”的PST，wPST能更细腻地区分不同级别的噪声影响，从而对电路质量提供更精准的排序。
• 用机器学习实现高质量FoM的快速预测：直接计算wPST需要运行电路，成本极高。作者成功训练了一个XGBoost机器学习模型，能够根据电路的结构特征和硬件的噪声数据，在极短时间内（毫秒级）高精度地预测出wPST。这使wPST这个高质量指标具备了实用性。
• 构建了面向编译器的两步预测框架：针对编译器会面临大量“未编译”电路的情况，作者设计了一个“二步法”：先预测该电路经过编译后会引入多少额外资源（如SWAP门），再基于这个预测结果去预测最终的wPST。这使得高质量的FoM可以无缝嵌入到实际编译流程中，指导电路选择。

4. 研究方法

作者的研究方法主要分为三步：

1. 提出问题与定义新指标：指出现有FoM的不足，并基于此定义了wPST，它通过加权方式衡量单比特正确程度，克服了PST“非对即错”的缺点。
2. 构建机器学习预测模型：提取量子电路的结构特征（如门数量、量子比特活跃度、程序通信量等）和硬件特征（如退相干时间T1/T2）。将这些特征作为输入，以模拟或实验测得的真实PST/wPST作为标签，训练一个XGBoost回归模型。该模型最终能直接从特征预测PST/wPST。
3. 构建两步预测框架：对于尚未经过编译的原始电路，模型无法直接获得其在特定硬件上的最终电路结构。因此，第一步训练一个预测模型，输入原始电路特征和硬件耦合图特征，输出预测的编译后电路特征（如最终门数量）；第二步再用这些预测的特征去预测最终的wPST。

5. 实验结果与结论

• 关键结论：在数值模拟和IBM量子处理器上的实验表明，用机器学习预测的PST与wPST与真实值的相关性，相比于传统FoM（如门数量、电路深度）平均提高了超过50%。这证明了机器学习模型能有效捕捉电路结构和硬件噪声的复杂影响。
• 对领域的影响：这项工作为量子编译领域提供了一个“神助攻”。它证明了高质量、可快速预测的FoM是实现高性能编译的关键。整合了ML预测wPST的编译器有望显著提升量子算法在真实硬件上的执行质量。
• 开放问题与展望：作者指出，虽然wPST很有效，但计算它需要构建并运行一个双倍深度的电路，这种“双重深度”对真实噪声的反映性仍需更深入研究。未来最重要的工作是将这个二步预测框架真正集成到现有的量子编译器中，并比较它带来的性能提升。

6. 论文标签

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： Comparing and learning figures of merit for quantum circuit compilation