Qiskit 1.3.0版本中电路优化级别异常问题分析
2025-06-05 16:27:47作者:董灵辛Dennis
问题背景
在量子计算框架Qiskit的最新版本1.3.0rc1和main分支中,用户发现了一个关于电路优化的异常现象。当使用优化级别2和3进行电路编译时,生成的电路深度反而比使用优化级别1时更深。这一现象在1.2.4版本中并不存在,表明这是新版本引入的问题。
问题复现
通过以下简单量子电路可以复现该问题:
from qiskit import generate_preset_pass_manager, QuantumCircuit
qc = QuantumCircuit(2)
qc.cz(0, 1)
qc.sx([0, 1])
qc.cz(0, 1)
for level in [1, 2, 3]:
pm = generate_preset_pass_manager(optimization_level=level, basis_gates=["rz", "rzz", "sx", "x", "rx"])
qc2 = pm.run(qc)
print(f'优化级别 {level} 的电路深度: {qc2.depth()}')
在1.2.4版本中,三个优化级别输出的电路深度相同;而在1.3.0rc1和main分支中,随着优化级别提高,电路深度反而增加。
技术分析
根据核心开发者的调查,这个问题很可能与PR #13141引入的改动有关。当用户仅使用basis_gates参数而不使用Target对象来指定后端约束时,UnitarySynthesis传递无法正确合成电路。
具体问题出现在优化级别3的处理流程中:
- 首先,
BasisTranslator将电路转换为目标基础门集 - 然后,优化阶段运行
ConsolidateBlocks传递,将整个2量子比特电路收集为单个酉矩阵 - 接着,
UnitarySynthesis传递本应处理这个酉矩阵,但实际上什么也没做 - 由于存在未处理的酉门,其他优化传递都无法对电路进行优化
- 最终,在优化循环中检测到基础门集外的门,再次运行基础门转换,导致输出电路未被优化
影响范围
这个问题会影响所有使用以下配置的用户:
- 使用Qiskit 1.3.0rc1或更新版本
- 通过
basis_gates参数而非Target对象指定基础门集 - 使用优化级别2或3进行电路编译
解决方案建议
目前建议的临时解决方案包括:
- 暂时回退到1.2.4版本
- 使用
Target对象而非basis_gates参数来指定后端约束 - 在1.3.0正式版发布前,关注该问题的修复进展
对于开发者而言,修复方向应关注UnitarySynthesis传递在仅使用basis_gates参数时的行为,确保其能正确处理电路合成任务。
总结
这个问题展示了量子电路编译流程中各个优化传递间复杂的相互作用。随着Qiskit功能的不断扩展,保持不同优化级别行为的一致性变得更具挑战性。用户在使用新版本时应注意测试关键电路的编译结果,特别是在升级后检查电路深度和门数量等关键指标。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
941
868
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
394
292
暂无简介
Dart
911
219
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557