大语言模型发现全新量子电路，八项任务七项超越现有最优

量子计算长期停留在"硬件先行、算法滞后"的阶段。大规模量子处理器的工程投入持续加码，但真正要实现有实用价值的量子优势，绕不开一个前提：得有足够高效的量子算法。而设计这类算法，恰恰是量子计算领域最消耗人力的环节之一。

近期一项研究提出了一条新路径——让大语言模型直接参与量子电路的设计与优化，并由独立的评估器进行验证和打分。这套被称为"进化框架"的方法在八项跨领域任务中，有七项显著超越了当前最优方案。

为什么量子电路优化这么难？

要理解这项工作的价值，得先看清量子电路设计的特殊困境。

在很多实际计算问题中，资源开销集中在少数几个计算原语上——Toffoli门和量子比特（qubit）是其中最核心的两个指标。经典计算中，工程师可以通过各种手段压缩逻辑门数量、复用中间变量；但量子计算多了一层硬约束：可逆性。量子门操作必须是可逆的，不能像经典电路那样随意丢弃或覆盖中间状态。这意味着一大批经典优化技巧直接失效，电路设计者需要在可逆性的框架内重新构建算法结构。

正因如此，量子电路的优化长期依赖领域专家的手工推导和小规模启发式搜索，效率低、覆盖面窄，而且很难跨领域迁移。

Toffoli门是一种三量子比特受控门，当且仅当两个控制量子比特同时为1时，翻转目标量子比特。它在量子计算中的地位类似于经典计算中的NAND门——是构造通用可逆逻辑的核心构件。之所以成为资源优化的焦点，是因为Toffoli门的物理实现通常需要分解为多个基本门（如CNOT和单量子比特门），分解后的门数量和电路深度直接决定了错误率。在容错量子计算中，Toffoli门往往涉及昂贵的魔法态蒸馏过程，其数量是评估算法可行性的首要指标。因此，减少Toffoli门数量是量子电路优化的核心目标之一。

可逆性是量子计算的硬性约束：量子门操作必须由酉矩阵描述，而酉变换在数学上是可逆的。这意味着量子电路无法像经典电路那样随意使用扇出、覆盖操作或丢弃中间结果。任何中间计算状态都必须完整保留，或者通过逆向操作精确回退。这一约束导致经典电路优化中广泛使用的常量传播、死代码消除等技术在量子场景下失效，迫使设计者从算法结构层面重新思考如何管理中间变量和辅助量子比特。正是这种约束，使得量子电路优化成为一个高度非平凡的问题。

LLM当"提案者"，评估器当"裁判"

这项研究的核心思路并不复杂：把电路设计问题拆成"生成"和"评估"两个独立环节。

大语言模型负责提出电路设计方案。它的优势在于，训练数据中包含了大量算法描述、数学推导和工程代码，模型能够基于这些跨领域的知识储备，给出人类专家未必会想到的结构性组合。

独立的评估器则负责验证和打分。评估器不参与生成，只对LLM提出的方案进行模拟验证，检查电路功能是否正确，同时统计Toffoli门数量和qubit数量。得分高的方案进入下一轮迭代，形成进化式的搜索循环。

这种"生成-评估"分离的架构，关键在于评估器的独立性——它确保了LLM的"幻觉"不会直接转化为错误结果，所有被采纳的方案都经过了严格的模拟验证。

八项任务的成绩单

研究团队将这套框架应用到了跨度极大的五类任务上：数值计算、化学、优化、量子模拟和数论。这种跨领域的选择本身就说明了方法的通用性野心——不是针对某个特定问题做定制优化，而是试图验证LLM能否在完全不同的算法语境中都产生有效方案。

结果相当有说服力。在八项任务中，有七项同时显著降低了Toffoli门数量和qubit数量，两项关键资源指标都优于此前的最优方案。在量子电路设计中，Toffoli和qubit往往存在权衡关系——减少一个可能推高另一个。能同时降低两者，说明发现的不只是参数层面的微调，而是电路结构层面的改进。

第八项任务的意外收获

真正让这项工作超出"自动化优化"范畴的，是第八项任务——素域模逆运算（prime-field modular inversion）。

在这项任务中，搜索过程没有止步于优化现有方案，而是发现了一种全新的可逆架构。这个架构的关键创新在于对可逆性的处理方式做了根本性调整，使得一种名为divsteps的经典算法首次变得可行。divsteps此前在可逆整数运算中被认为不切实际，因为它涉及的状态转换与可逆性约束存在冲突。新架构通过重新组织可逆性的实现方式，绕开了这个障碍，不仅让divsteps变得可用，还大幅改善了模逆运算中Toffoli门与qubit之间的权衡关系。

换言之，LLM加评估器的组合不只是找到了更好的参数配置，而是发现了一种人类尚未提出的算法结构。

divsteps算法最初由Bernstein和Yang于2019年提出，是一种用于计算多项式最大公约数和模逆的迭代方法。其核心思想是通过一系列简单的线性变换逐步约简输入，每一步只涉及加减和移位操作，天然适合可逆实现。然而，在量子电路设计中，divsteps的迭代次数依赖于输入数据，导致中间状态数量不确定，难以直接映射为固定宽度的可逆电路。此前若要量子化divsteps，需要引入大量辅助量子比特来存储分支状态，资源开销远超其他方案，因此被认为不切实际。本研究发现的架构通过重新组织迭代过程，将数据依赖的分支转化为可预测的状态转换序列，从而绕开了这一障碍，使divsteps首次在可逆量子电路中变得可行。

这意味着什么？

这项工作的意义可以从两个层面来看。

在方法论层面，它证明了"评估器引导的LLM协同设计"是发现新算法结构的可行路径。传统的量子电路优化依赖专家直觉加局部搜索，而LLM能够从跨领域的知识中提取人类专家可能忽略的结构模式，评估器则提供了可靠的筛选机制。两者结合，形成了一种既能探索又可控的搜索范式。

在实践层面，七项任务中Toffoli和qubit数量的显著降低，直接影响量子算法的资源估算。在当前含噪声量子硬件的条件下，更少的门操作和更少的qubit意味着更低的错误率和更短的电路深度，这对于在近期量子设备上运行实用算法至关重要。

当然，这套框架目前仍依赖评估器的模拟能力——对于大规模量子电路，经典模拟本身就会成为瓶颈。此外，LLM提出的方案是否在更大规模问题上仍能保持优势，也需要进一步验证。但至少，这项工作打开了一扇门：LLM可以成为量子算法设计的参与者，而不仅仅是代码生成工具。