知识卡片：用大语言模型发现最先进的量子电路

一句话结论

一个“LLM 提议 + 独立评估器验证打分”的进化框架，在 8 个量子电路设计任务中的 7 个显著降低了 Toffoli 门数与量子比特数，并在第 8 个任务上发现了新的可逆素数域模逆架构。

事件概述或研究问题

大规模量子信息处理器的实现正在推进，但要实现有用的量子优势，还需要高效的量子算法。许多实用问题的主要资源开销集中在少数计算原语上，而量子场景下的优化面临独特挑战，其中包括普通经典计算所没有的可逆性约束。本文研究的问题是：能否借助大语言模型自动发现更优的量子电路结构，以降低这些原语的资源成本。

方法/产品要点

• 提出一个进化框架：由大语言模型（LLM）提出电路设计方案，由一个独立评估器负责验证并打分。
• 任务覆盖范围较广：数值计算、化学、优化、量子模拟、数论。
• 关键设计点在于让搜索过程直接面对量子计算特有的可逆性约束，而非套用经典计算的优化直觉。

主要结果或产业意义

• 在 8 个任务中的 7 个，发现的电路相比当前最优（state of the art）同时显著降低 Toffoli 计数与量子比特数。
• 在第 8 个任务（素数域模逆）上，搜索发现了一种新的可逆架构。
• 该架构通过以不同方式处理可逆性，使 divsteps（一种此前在可逆整数算术中不实用的经典算法）变得可行，并大幅改善了模逆的 Toffoli–量子比特权衡。
• 作者认为，这为“评估器引导的 LLM 协同设计”新的量子计算算法结构打开了大门。

为什么重要

• 它把 LLM 的角色从“写代码/写解释”推进到参与算法结构的自动发现，并用独立评估器保证结果可验证。
• 针对的是量子编译与量子算法实现中的真实瓶颈：门数与量子比特数，而不是抽象层面的算法描述。
• 与已有相关卡片《自动发现复杂SAT求解器中的启发式策略——基于大型语言模型》（2026-07-17）形成呼应：两者都是“LLM 提出 + 评估器筛选”在算法/求解器层面的自动搜索，但本文的应用域是量子电路，并强调可逆性约束这一量子特有难点。

局限与不确定性

• 材料仅提供摘要，具体任务清单、评估器实现细节、基线设置、可复现性材料位置等待核实。
• 摘要称“8 个任务中的 7 个”优于当前最优，但未给出具体数值、基准名称与统计口径，待核实。
• “显著降低”的判定标准、评估器是否独立于 LLM 训练数据、是否可能存在数据泄漏，材料中未说明，待核实。
• 第 8 个任务中 divsteps 架构的实际资源开销与可扩展性，材料未给出量化结果，待核实。
• 论文分类为 quant-ph 与 cs.AI，作者包括 Andi Gu、Alek H. Kemeny、Susanne F. Yelin、Mikhail D. Lukin；发表与更新时间为 2026-10-15，其余元信息待核实。

可用于图书/PPT/简报的角度

• “LLM 作为算法共同设计者”：从 SAT 启发式到量子电路，展示同一范式的跨领域迁移。
• 可逆性作为约束：经典计算优化直觉在量子场景下为何失效，以及如何被自动搜索绕开。
• 评估器引导的搜索闭环：LLM 负责发散提议、评估器负责收敛验证，可作为“AI for science”流程的示例图。
• 资源权衡可视化：Toffoli–量子比特权衡曲线，适合用于说明量子算法工程的实际取舍。
• 新架构的意外来源：divsteps 从“不实用”到“可行”的转折，可作为“搜索发现人类未想到的结构”的案例。

原始材料

• Title: Discovering state-of-the-art quantum circuits with large language models
• arXiv ID: 2610.22367v1
• Authors: Andi Gu, Alek H. Kemeny, Susanne F. Yelin, Mikhail D. Lukin
• Published / Updated: 2026-10-15T17:59:20Z
• Primary category: quant-ph；Categories: quant-ph, cs.AI
• Abstract URL: https://arxiv.org/abs/2610.22367v1
• PDF URL: https://arxiv.org/pdf/2610.22367v1
• 关键词（原文）: large language models, quantum circuits, reversibility, Toffoli count, qubit count, modular inversion, divsteps, evaluator-guided co-design（关键词为根据摘要整理，非原文标注，待核实）