Shuttling Compiler for Trapped-Ion Quantum Computers Based on Large Language Models

📄 arXiv: 2512.18021v2 📥 PDF

作者: Fabian Kreppel, Reza Salkhordeh, Ferdinand Schmidt-Kaler, André Brinkmann

分类: quant-ph, cs.ET, cs.LG

发布日期: 2025-12-19 (更新: 2026-01-20)

备注: 17 pages, 5 figures, 2 tables

💡 一句话要点

提出基于大语言模型的穿梭编译器，优化囚禁离子量子计算机的量子比特路由

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 囚禁离子量子计算机 量子比特路由 大语言模型 穿梭编译器 量子编译

📋 核心要点

  1. 囚禁离子量子计算机依赖穿梭操作实现子寄存器间的长程连接，但量子比特路由的复杂性随系统规模增大。
  2. 论文提出利用大语言模型（LLM）生成穿梭操作序列，实现布局无关的编译策略，优化量子比特路由。
  3. 实验结果表明，微调后的LLM能生成有效的穿梭调度，在特定情况下，穿梭开销降低约15%。

📝 摘要（中文）

本文提出了一种基于大语言模型（LLM）的布局无关编译策略，用于优化囚禁离子量子计算机中的量子比特路由问题。该问题旨在动态重构量子比特的位置，使得参与门操作的所有量子比特都位于同一段内，其复杂性随系统规模的增大而增加。通过对预训练的LLM进行微调，使其能够生成所需的穿梭操作序列。在具有线性和分支一维架构的、最多包含16个量子比特的量子电路上的评估结果表明，微调后的LLM能够生成有效的穿梭调度方案，并且在某些情况下，与之前的穿梭编译器相比，穿梭开销减少了约15%。然而，随着算法宽度和深度的增加，结果会变差。未来的工作计划通过使用直接偏好优化（DPO）和梯度正则化策略优化（GRPO）来增强训练流程，从而改进基于LLM的穿梭编译。

🔬 方法详解

问题定义：论文旨在解决囚禁离子量子计算机中量子比特路由的优化问题。在基于分段阱的囚禁离子量子计算机中，需要通过穿梭操作来建立量子比特之间的长程连接。量子比特路由的任务是动态地重新配置量子比特的位置，使得参与量子门操作的所有量子比特都位于同一段内。现有方法的痛点在于，随着量子比特数量的增加，路由的复杂性呈指数级增长，导致编译效率降低和资源开销增大。

核心思路：论文的核心思路是利用大语言模型（LLM）强大的序列生成能力，将穿梭操作的生成过程建模为一个序列生成问题。通过对预训练的LLM进行微调，使其能够学习到量子比特路由的规则和模式，从而生成有效的穿梭操作序列。这种方法的核心优势在于，它能够从大量数据中学习复杂的路由策略，并且具有较强的泛化能力。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 数据准备：收集或生成包含量子电路和对应的最优穿梭操作序列的数据集。2) 模型选择：选择一个合适的预训练大语言模型作为基础模型。3) 模型微调：使用准备好的数据集对LLM进行微调，使其能够生成穿梭操作序列。4) 穿梭调度生成：给定一个量子电路，使用微调后的LLM生成对应的穿梭操作序列。5) 评估与优化：评估生成的穿梭操作序列的性能，并根据评估结果对模型进行优化。

关键创新：该方法最重要的技术创新点在于将大语言模型应用于量子比特路由问题。与传统的基于规则或搜索的路由算法相比，基于LLM的方法能够从数据中学习复杂的路由策略，并且具有更强的泛化能力。此外，该方法还具有布局无关性，即可以应用于不同的量子计算机架构，而无需进行大量的修改。

关键设计：论文中关键的设计包括：1) 选择了合适的预训练LLM，并根据量子比特路由问题的特点进行了微调。2) 设计了合适的训练数据集，包括量子电路和对应的最优穿梭操作序列。3) 采用了合适的评估指标，例如穿梭操作的数量和执行时间，来评估生成的穿梭操作序列的性能。4) 计划使用直接偏好优化（DPO）和梯度正则化策略优化（GRPO）等技术来进一步优化模型的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在具有线性和分支一维架构的、最多包含16个量子比特的量子电路上的评估中，微调后的LLM能够生成有效的穿梭调度方案，并且在某些情况下，与之前的穿梭编译器相比，穿梭开销减少了约15%。这表明基于LLM的穿梭编译器具有一定的优势，能够有效地优化量子比特路由。

🎯 应用场景

该研究成果可应用于囚禁离子量子计算机的编译优化，提升量子程序的执行效率和资源利用率。通过优化量子比特的路由，可以减少穿梭操作的开销，从而缩短量子程序的运行时间，并降低量子比特的退相干风险。未来，该技术有望推动更大规模、更复杂量子算法的实现，加速量子计算在科学研究、药物发现、材料设计等领域的应用。

📄 摘要（原文）

Trapped-ion quantum computers based on segmented traps rely on shuttling operations to establish long-range connectivity between sub-registers. Qubit routing dynamically reconfigures qubit positions so that all qubits involved in a gate operation are co-located within the same segment, a task whose complexity increases with system size. To address this challenge, we propose a layout-independent compilation strategy based on large language models (LLMs). Specifically, we fine-tune pretrained LLMs to generate the required shuttling operations. We evaluate this approach on linear and branched one-dimensional architectures using quantum circuits of up to $16$ qubits. Our results show that the fine-tuned LLMs generate valid shuttling schedules and, in some cases, outperform previous shuttling compilers by requiring approximately $15\,\%$ less shuttle overhead. However, results degrade as the algorithms increase in width and depth. In future, we plan to improve LLM-based shuttle compilation by enhancing our training pipeline using Direct Preference Optimization (DPO) and Gradient Regularized Policy Optimization (GRPO).