mindquantum.algorithm.mapping.MQSABRE

mindquantum.algorithm.mapping.MQSABRE#

class mindquantum.algorithm.mapping.MQSABRE(circuit, topology, cnoterrorandlength)#

MQSABRE 算法用于硬件感知的量子比特映射优化。

MQSABRE 通过将硬件特性纳入映射优化过程，扩展了 SABRE（基于SWAP的双向启发式搜索）算法。该算法分三个阶段执行初始映射和路由优化：

  1. 初始映射：使用基于图中心的方法生成初始映射，最小化频繁交互量子比特之间的平均距离。

  2. 映射优化：采用具有硬件感知代价函数的双向启发式搜索。

  3. 电路转换：插入 SWAP 门并转换电路以满足硬件约束。

该算法使用一个加权代价函数，结合三个指标： H = α₁D + α₂K + α₃T 其中：

  • D：耦合图中量子比特之间的最短路径距离

  • K：由 CNOT 和 SWAP 成功率导出的错误率指标

  • T：考虑 CNOT 和 SWAP 持续时间的门执行时间指标

  • α₁, α₂, α₃：用于平衡不同优化目标的权重参数

参数：

  • circuit (Circuit) - 需要映射的量子线路。当前仅支持由单量子比特门和双量子比特门（包括受控门）组成的线路。

  • topology (QubitsTopology) - 硬件量子比特拓扑结构。必须是连通的耦合图。

  • cnoterrorandlength (List[Tuple[Tuple[int, int], List[float]]]) - 硬件特定的 CNOT 特性。 每个条目包含一个元组 (i, j) 指定拓扑中的物理量子比特对，和一个列表 [error_rate, gate_time]， 其中 error_rate 是量子比特 i 和 j 之间的 CNOT 错误率（范围：[0, 1]），gate_time 是 CNOT 执行时间（任意单位）。

异常：

  • ValueError - 如果拓扑不是连通图。

solve(w=0.5, alpha1=0.3, alpha2=0.2, alpha3=0.1)#

使用 MQSABRE 算法求解量子比特映射问题。

该方法执行三个主要步骤： 1. 使用 Floyd-Warshall 算法构建距离矩阵 D 2. 计算硬件特定的矩阵 K（错误率）和 T（门时间） 3. 执行启发式搜索以优化映射，同时考虑组合代价函数

参数：

  • w (float，可选) - 前瞻权重参数，用于在启发式搜索中平衡当前和未来门操作。范围：[0, 1]。 当 w > 0.5 时，偏向未来操作，可能减少电路深度； 当 w < 0.5 时，优先考虑当前操作，可能减少总门数。 默认值：0.5。

  • alpha1 (float，可选) - 代价函数中距离度量（D）的权重。较高的值优先考虑最小化量子比特距离。默认值：0.3。

  • alpha2 (float，可选) - 错误率度量（K）的权重。较高的值优先考虑错误率较低的连接。默认值：0.2。

  • alpha3 (float，可选) - 门时间度量（T）的权重。较高的值优先考虑更快的门执行路径。默认值：0.1。

返回：

  • mapped_circuit (Circuit)：插入 SWAP 门后的转换电路

  • initial_mapping (List[int])：从逻辑量子比特到物理量子比特的初始映射

  • final_mapping (List[int])：从逻辑量子比特到物理量子比特的最终映射

目录