提高量子电路编译的绩效指标

量子计算是一种近年来取得显著软件和硬件进步的新兴技术。执行量子程序需要为目标量子处理单元 (QPU) 编译其量子电路。已提出并实现了各种方法用于量子位映射、门综合和量子电路优化。这些编译器试图生成导致最佳执行质量的量子电路——这通常用诸如 (两量子位) 门数、电路深度、预期保真度或估计成功概率等绩效指标来近似表示。然而，人们往往不清楚这些绩效指标如何代表实际在 QPU 上的执行质量。在本工作中，我们调查了既定绩效指标与实际机器上执行质量之间的相关性——揭示相关性弱于预期，更复杂的绩效指标并不一定更准确。受此发现启发，我们提出一种改进的绩效指标（基于机器学习方法），可用于在无需实际执行的情况下预测量子电路在所选 QPU 上的预期执行质量。所用的机器学习模型揭示了各种电路特征对生成高相关性分数的影响。该提议的绩效指标在案例研究中显示出强相关性，并在所有之前的绩效指标中表现出色——实现平均相关性提升 49%。