当大语言模型开始设计量子电路，量子计算的优化方式正在发生变化。
哈佛大学、Anthropic与QuEra Computing的研究人员在arXiv发表论文《Discovering State-of-the-Art Quantum Circuits with Large Language Models》，提出一种演化式人工智能框架，让大语言模型自动发现、编写并优化容错量子电路。
研究显示，与人工设计的基准方案相比，该框架在多个核心计算任务中将时空资源成本（T×Q-cost）降低4.1倍至9,100多倍。
这里的T×Q-cost，是Toffoli门数量（T）与峰值量子比特占用量（Q）的乘积，用于衡量量子电路的综合资源开销。
从优化电路到发现电路
传统自动化优化器通常在既定电路结构上进行局部门级重写。而此次研究采用不同路径：由大语言模型Claude针对不同算法任务，直接生成完整的Python程序，再通过独立经典评估器验证电路的精确正确性，并依据T×Q成本进行评分。
评估器采用“kickmix”模型，通过模拟基态轨迹并追踪相位反冲（phase kickback），验证候选电路的正确性。随后，系统不断迭代，寻找资源成本更低的设计。
演化搜索揭示了三项重要原则：
1. 条件路由取代条件算术
利用受控交换门，将不同分支的数据引导至共享的无条件算术模块，避免为每个分支重复配置高成本计算单元。
2. 从算术状态恢复分支信息
在逆向计算阶段，直接从更新后的算术寄存器中解码分支选择，减少对大量历史量子比特的依赖。
3. 以可控失败率优化资源分配
根据典型输入而非最坏情况配置历史栈和循环边界，在允许约10⁻⁴失败率的条件下，节省数百个辅助量子比特。
关键突破：模逆运算与量子解码
在密码学与数论的素域模逆运算任务中，研究团队发现了一种新的可逆divsteps架构。
此前，divsteps算法因需要存储历史状态，被认为存在较高的量子资源开销。研究通过推导2-adic数学不变量，使电路能够直接恢复87.6%的分支决策，仅需将剩余12.4%的信息存储在一个60量子比特的小型栈中，实现Toffoli门数量与量子比特占用之间的优化。
在埃尔米特码（Hermitian code）的DQI解码任务中，AI以原地Lanczos递归和条带化相位扫描取代零空间矩阵的直接存储，将峰值量子比特数从190,000个降至2,395个，Toffoli门数量从约1亿个降至93万个，综合资源成本提升超过9,100倍。
此外，在HHL算法中的角度评估、库仑势及高斯基函数等数值函数任务中，AI通过基于2的幂次对齐的查表法和累加器直接更新，避免宽位定点乘法，使T×Q成本降低9.9至39倍。
Anne's Insight
这项研究值得关注的，不只是AI能够生成量子电路，而是它开始探索人类设计者可能忽略的架构组合。
量子计算的产业化不仅取决于量子比特数量和硬件规模，也取决于如何减少计算过程中的门操作、辅助量子比特及纠错资源消耗。
如果演化式AI能够持续发现可验证、可复现的低资源电路，未来量子算法开发、容错架构设计与密码学应用，都可能获得新的优化路径。
当然，电路资源成本的显著下降，并不等于实际运行时间、硬件性能或商业应用成本同步下降。研究成果仍需结合具体硬件架构、纠错开销与实际执行能力进一步评估。
➡️ 看见技术，更要看见产业。
➡️ 全球量子观察｜量子行业应用｜量子前沿
➡️ Stay curious, Stay ahead.
