mindquantum.algorithm.mapping.MQSABRE

class mindquantum.algorithm.mapping.MQSABRE(circuit: Circuit, topology: QubitsTopology, cnoterrorandlength: List[Tuple[Tuple[int, int], List[float]]])[源代码]

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：

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。
映射优化：采用具有硬件感知代价函数的双向启发式搜索。
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。

样例：

>>> from mindquantum.algorithm.mapping import MQSABRE
>>> from mindquantum.core.circuit import Circuit
>>> from mindquantum.core.gates import RX, X
>>> from mindquantum.device import GridQubits
>>> # Create a quantum circuit
>>> circ = Circuit()
>>> circ += RX('a').on(0)
>>> circ += RX('b').on(1)
>>> circ += X.on(1, 0)
>>> # Define hardware characteristics
>>> cnot_data = [
...     ((0, 1), [0.001, 250.0]),  # CNOT 0->1: 0.1% error, 250ns
...     ((1, 2), [0.002, 300.0]),  # CNOT 1->2: 0.2% error, 300ns
... ]
>>> # Create a linear topology: 0-1-2
>>> topology = GridQubits(1, 3)
>>> # Initialize and run MQSABRE
>>> solver = MQSABRE(circ, topology, cnot_data)
>>> new_circ, init_map, final_map = solver.solve()

solve(w: float = 0.5, alpha1: float = 0.3, alpha2: float = 0.2, alpha3: float = 0.1)[源代码]

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

样例：

>>> # Use default parameters
>>> new_circ, init_map, final_map = solver.solve()
>>> # Prioritize error rate optimization
>>> new_circ, init_map, final_map = solver.solve(alpha2=0.5)
>>> # Focus on circuit depth reduction
>>> new_circ, init_map, final_map = solver.solve(w=0.7)