LLM 指导的演化搜索用于代数 T 计数优化
量子物理
2026-04-01 v1
摘要
降低容错量子电路的非-Clifford 成本是量子编译中的核心挑战，因为 T 门在误差纠缠架构中通常远比 Clifford 操作更昂贵。对于 Clifford+T 电路，最小化 T-count 仍是一个即使对于高度结构化的代数优化器来说都难以解决的组合问题。我们引入 VarTODD，这是一种参数化的 FastTODD 变体，在该变体中保持正确性保存的代数变换不变，而候选生成、池化和动作选择则暴露为可调的启发式组件。这将代数重写系统的质量与搜索策略的质量分离。在标准算术基准测试上，固定的手工设计 VarTODD 策略已经匹配或改进了强大的 FastTODD 基线，包括将 GF(2^9) 的 T-count 从 147 降至 139，将 GF(2^10) 的 T-count 从 173 降至 163。作为自动化调优的示例，我们then 使用 LLM 指导的演化框架 GigaEvo 对 VarTODD 策略进行优化，获得了更_harder 实例的额外收益，GF(2^10) 达到 157，GF(2^16) 达到 385。这些结果表明，策略优化是一个独立且实用的杠杆，用于改进代数 T-count 减少，而 LLM 指导的演化为利用这一杠杆提供了一种可行方法。
关键词
引用
@article{arxiv.2603.29894,
title = {LLM-Guided Evolutionary Search for Algebraic T-Count Optimization},
author = {Daniil Fisher and Valentin Khrulkov and Mikhail Saygin and Ivan Oseledets and Stanislav Straupe},
journal= {arXiv preprint arXiv:2603.29894},
year = {2026}
}
备注
12 pages, 2 figures