ML-QLS: Multilevel Quantum Layout Synthesis

量子布局综合（QLS）在优化物理量子设备上的量子电路执行中发挥着至关重要的作用。随着我们进入拥有数百个量子比特的量子计算机时代，由于缺乏全局优化，使用最优方法和退化的启发式方法的性能面临着可扩展性问题。为此，我们引入了一种混合设计，利用多级框架获得启发式方法的大大改进解决方案，这是解决VLSI设计中大规模问题的有效方法。在本文中，我们提出了ML-QLS，这是第一个具有可扩展细化操作、集成新型成本函数和聚类策略的多级量子布局工具。我们的聚类提供了有价值的见解，用于为量子电路和设备生成适当的问题近似。我们的实验结果表明，ML-QLS可以扩展到涉及数百个量子比特的问题，并在大型电路方面实现了领先的启发式QLS工具的52％性能提升，这凸显了多级框架在量子应用中的有效性。

本论文旨在解决在量子计算机中优化量子电路执行的问题，特别是在面对数百个量子位时的可伸缩性问题。

本论文提出了一种混合设计，利用多级框架获得启发式方法的改进解决方案，通过集成新颖的成本函数和聚类策略，实现可扩展的精炼操作。

本论文提出的ML-QLS是第一个具有可扩展精炼操作的多级量子布局工具，其聚类提供了为量子电路和设备生成适当问题近似的宝贵见解。实验结果表明，ML-QLS可以扩展到涉及数百个量子位的问题，并且在大型电路的领先启发式QLS工具方面实现了惊人的52％性能提升，这凸显了多级框架在量子应用中的有效性。

最近的相关研究包括“Hybrid multilevel layout synthesis for quantum circuits with device constraints”和“Efficient layout synthesis for large-scale superconducting qubit circuits”等。