[论文解读] Gradient descent reliably finds depth- and gate-optimal circuits for generic unitaries

Janani Gomathi, Alex Meiburg|arXiv (Cornell University)|Jan 6, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

该论文证明：通过精心选择的电路骨架，简单梯度下降在深度和门优化方面可以可靠地为通用单位化找出电路，哪怕在连通性受限的情况下；而欠参数化的布局则难以收敛。

ABSTRACT

When the gate set has continuous parameters, synthesizing a unitary operator as a quantum circuit is always possible using exact methods, but finding minimal circuits efficiently remains a challenging problem. The landscape is very different for compiled unitaries, which arise from programming and typically have short circuits, as compared with generic unitaries, which use all parameters and typically require circuits of maximal size. We show that simple gradient descent reliably finds depth- and gate-optimal circuits for generic unitaries, including in the presence of restricted chip connectivity. This runs counter to earlier evidence that optimal synthesis required combinatorial search, and we show that this discrepancy can be explained by avoiding the random selection of certain parameter-deficient circuit skeletons.

研究动机与目标

• 动机并形式化将通用n量子比特单位化综合成硬件兼容电路的问题。
• 提出一个带有连续门集合和固定电路骨架的参数化电路框架。
• 开发基于梯度下降的优化目标及一个加速机制来优化门参数。
• 分析在不同系统规模（2、4、6量子比特）及硬件连通性约束下的收敛行为。
• 评估参数化水平（充分参数化与欠参数化）对收敛和电路最优性的影响。

提出的方法

• 将电路参数化为若干层的序列 Si Ti，其中 Si 是单量子比特酉态的张量积（每个量子比特三个欧拉角），Ti 是一个 CNOT 层。
• 固定电路骨架（Ti 的拓扑），优化单量子比特参数以逼近给定目标单位化 Ugoal。
• 定义基于距离的代价函数：C = N − |Tr(D)|，其中 D = Ugoal Ucirc†（乘以全局相因子），并在无动量项的梯度下降下最小化 C。
• 使用分层（逐层）参数更新的梯度下降方式，经验上同等于不同梯度变体。
• 引入基于 SVD 的加速器：对每个单量子比特酉态，替换为通过 SU(2) 投影得到的最近酉态以加速收敛。
• 统计每层参数数量并推导实现通用单位化所需的最小层数（ℓ），证明 ℓ ≥ ⌈(4n−1 − n)/(2n)⌉，整体参数量 P = (2ℓ+1)n。

实验结果

研究问题

• RQ1 梯度下降是否能够在增大系统规模时可靠地恢复深度和门最优的电路？
• RQ2 电路拓扑结构和硬件连通性约束如何影响梯度下降式综合的收敛性和最优性？
• RQ3 参数化水平（充分 vs 欠参数化）对收敛性、精度和实际门数的作用是什么？
• RQ4 一个简单的预选电路骨架是否可以避免在寻找最优分解时的组合搜索？
• RQ5 多量子比特门的对称性在多大程度上限制了有效参数空间并阻碍收敛？

主要发现

• 梯度下降在完全连通的拓扑下，能在2、4、6量子比特系统中收敛到深度和门最优的电路；
• 在 Haar 随机目标单位化和随机初始化下，该方法收敛稳定，充分参数化的电路下通常没有局部极小值；
• 欠参数化电路难以收敛到期望精度，而略微过参数化的电路收敛更快且可以完全收敛；
• 连通性约束（如一维或星形拓扑）在参数化充分的前提下仍能实现可靠收敛，显示对硬件限制的鲁棒性；
• 观察到的收敛行为可由某些不良骨架导致的欠参数化风险解释，且图论方法（1 因子分解）引导拓扑选择以最大化参数化和混合；
• 在更大系统中，CNOT 配置的选择变得更为关键，因为对称性降低了有效自由度，可能阻碍收敛。