mindquantum.algorithm.mapping.SABRE

class mindquantum.algorithm.mapping.SABRE(circuit: Circuit, topology: QubitsTopology)[源代码]

SABRE（基于SWAP的双向启发式搜索）算法用于量子比特映射优化。

由于实际量子硬件中的物理约束，并非所有量子比特都能直接交互。SABRE 算法通过插入 SWAP 门和重新映射量子比特，使任意量子线路能够在特定的量子硬件拓扑结构上运行。该算法采用双向启发式搜索方法，通过考虑当前和未来的门操作来最小化代价函数，从而找到最优的映射方案。

参考文献：

Gushu Li, Yufei Ding, Yuan Xie: "Tackling the Qubit Mapping Problem for NISQ-Era Quantum Devices", ASPLOS 2019. https://arxiv.org/abs/1809.02573

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。当前仅支持连通图。

样例：

>>> from mindquantum.core.circuit import Circuit
>>> from mindquantum.core.gates import RX, X
>>> from mindquantum.device import GridQubits
>>> from mindquantum.algorithm.mapping import SABRE
>>> # Create a simple quantum circuit
>>> circ = Circuit()
>>> circ += RX('a').on(0)
>>> circ += RX('b').on(1)
>>> circ += RX('c').on(2)
>>> circ += X.on(1, 0)
>>> circ += X.on(2, 1)
>>> circ += X.on(0, 2)
>>> # Create a 2x2 grid topology
>>> topo = GridQubits(2, 2)
>>> # Use SABRE for mapping
>>> solver = SABRE(circ, topo)
>>> new_circ, init_map, final_map = solver.solve()

solve(iter_num: int = 5, w: float = 0.5, delta1: float = 0.3, delta2: float = 0.2)[源代码]

使用 SABRE 算法求解量子比特映射问题。

该方法采用双向启发式搜索来寻找最优的量子比特映射方案。主要步骤包括： 1. 生成随机初始映射 2. 执行前向-后向-前向遍历以优化初始映射 3. 使用优化后的映射执行最终前向遍历，生成带有 SWAP 门的物理线路

参数：

iter_num (int，可选) - 前向-后向-前向遍历的迭代次数。每次迭代都从不同的初始映射开始。默认值：5。
w (float，可选) - 代价函数 H = H_current + w * H_future 中的权重参数。较大的 w (>0.5) 偏向未来操作，可能减少电路深度；较小的 w (<0.5) 偏向当前操作，可能减少总门数。默认值：0.5。
delta1 (float，可选) - 单量子比特门的衰减参数。影响算法在单量子比特操作后如何更新衰减值。默认值：0.3。
delta2 (float，可选) - 双量子比特门（CNOT，SWAP）的衰减参数。控制算法如何在空间和时间上分布 SWAP 操作。由于一个 SWAP 等于三个 CNOT，SWAP 操作会给衰减值增加 3*delta2。默认值：0.2。

返回：

mapped_circuit (Circuit)：添加 SWAP 门后与硬件拓扑兼容的量子线路
initial_mapping (List[int])：执行开始时从逻辑量子比特到物理量子比特的映射
final_mapping (List[int])：执行结束时从逻辑量子比特到物理量子比特的映射

样例：

>>> # Use default parameters
>>> new_circ, init_map, final_map = solver.solve()
>>> # Or customize parameters
>>> new_circ, init_map, final_map = solver.solve(iter_num=10, w=0.7)