当足够接近还不够时：量子电路合成中的自回归漂移

用于容错计算的量子电路优化需要精确的功能等价性，同时最小化昂贵的非Clifford资源，如T门。我们使用一个紧凑的44.8M参数编码器-解码器Transformer和结构化电路标记化来研究这个问题，在参数化电路（2-6量子比特）和Clifford+T电路（3-6量子比特）上进行评估。在参数化电路上，一种混合方法——结构来自Transformer，角度来自经典优化——在3-6量子比特电路上实现了中位保真度1.000。在Clifford+T电路上，所有门都是离散的且无法进行后处理，模型学习了有效的语法和准确的T计数统计，但精确等价性随着目标长度的增加而急剧下降——从≤9个门的电路上的88%下降到超过26个门后的接近零。我们将这种失败追溯到自回归漂移：早期标记分歧通过从左到右解码不可恢复地级联。两个杠杆部分缓解了漂移：生成多个候选并通过等价性验证进行选择的推理时策略将精确匹配率从7%提高到22.5%，而将训练数据扩大2.5倍则将其推高至39.5%。然而，随着目标长度的退化仍然存在——即使有更多数据，精确等价性也从短电路上的94%下降到超过26个门后的4%以下。设置之间的对比是我们的核心发现：当近似输出可以通过后处理挽救时，Transformer成功；当需要精确的离散正确性时，自回归漂移限制了可靠性，推理时搜索和数据缩放都是有效的杠杆，而训练侧的微调和模型级多样化则不然。