研究提出利用大模型优化量子电路合成算法
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把变量排序交给LLM
这项工作关注的是可逆电路综合中的一个老问题：用二元决策图把布尔函数转成可逆电路时，变量排序会显著影响最终结果。作者提出的 QuantumEvo 是一个演化框架，它不直接输出某个排序，而是让大语言模型充当启发式生成器，围绕量子代价去搜索排序策略。候选启发式从多个启发式家族出发初始化，在搜索过程中借助标准的二元决策图操作直接改动变量顺序，再由下游的量子代价指标决定取舍。这样做的用意在于把优化目标从图结构本身挪到电路代价上，让生成出来的排序规则更贴近真正被衡量的量。
为何不只看图的大小
材料指出，二元决策图方法本身具备可扩展性，但生成的图和电路对变量排序高度敏感。已有的排序启发式通常以缩小二元决策图规模为目标，理由是图的大小与电路规模关系紧密。作者认为这个代理指标并不完美，图小并不等于综合后电路的量子代价低。QuantumEvo 因此把量子代价作为筛选候选启发式的依据，而不是继续沿用图规模这一间接标准。这一取舍构成了该工作与既有排序方案的主要差别：优化对象从中间表示的大小转为最终电路的代价。
HGA-QE 改动了什么
搜索得到的启发式被命名为 HGA-QE，它的做法是修改遗传算法内部的 sifting 步骤，使这一过程与量子代价更对齐。也就是说，改动落在遗传算法调整变量顺序的具体环节上，而非替换整个算法框架。作者在基准集合上把它与按函数逐一取最优的基线作比较，报告了打平或胜出的比率，以及在部分函数上严格最优的结果。材料还提到，在两个来源不同于启发式发现所用数据的基准套件上，HGA-QE 在严格胜出方面表现出更明显的相对优势，整体量子代价表现具有广泛竞争力。
适用范围与读法
从材料给出的信息看，这套方法的定位是为基于二元决策图的可逆电路综合提供一种感知量子代价的变量排序手段，其效果以基准测试上的比较结果呈现，作者用“广泛具有竞争力”来描述整体表现，并未声称在所有函数上都占优。对关注该方向的读者而言，值得留意的是它把大语言模型用在生成排序启发式这一层，而非直接预测排序结果，并且以多个启发式家族作为搜索起点。材料未涉及部署条件、运行开销或与其他综合流程的集成方式，这些方面暂无可用信息。
为什么值得看
探索了大模型在底层算法设计中的应用，有效降低了量子电路合成成本。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。