量子比特映射问题

从一个具体的困境开始

假设我们要在台 NISQ 量子计算机上跑一个只有三个CNOT 门的小电路：

q0: ──■─────────■──
      │         │
q1: ──X────■────┼──   ; CNOT(q0,q1) → CNOT(q1,q2) → CNOT(q0,q2)
           │    │
q2: ───────X────X──

而这台机器的耦合图是 5 个量子比特连成的一条链：

P0 ── P1 ── P2 ── P3 ── P4

前两个门都没问题：把逻辑比特 q0、q1、q2 依次放到物理比特 P0、P1、P2 上（这一步叫 layout / 初始映射），相邻的比特对恰好能执行 CNOT。但第三个门 CNOT(q0, q2) 出事了——此刻 q0 停在 P0、q2 停在 P2，中间隔着 P1，而硬件根本不允许在互不相邻的两个比特上执行两比特门。这不是"性能差一点"的问题，而是"这条指令物理上无法执行"。

唯一的出路，是在执行这个门之前，先让某个SWAP 门把量子态"搬运"到相邻位置上。比如在 P0 与 P1 之间插一个 SWAP：

这个小小的困境就是整门学问的种子。量子比特映射问题（QMP）研究的就是：给定一个逻辑电路和一台拓扑受限的机器，如何决定「初始放哪里」与「途中怎么换」，使得额外代价最小。代价可以是 SWAP 个数、电路深度、执行时长，或者最终实验成功率（保真度）——这个"代价是什么"的问题，恰恰是过去三年（2023–2026）整个领域演进的主轴。

预备概念：读懂问题所需的全部地基

1.1量子比特：位置敏感的量子态

量子比特的状态可以处在 叠加态中，而两个量子比特还可以进入纠缠。对映射问题而言，需要接受的只有一件事：量子态没有"复印件"，它在物理上附着于某个具体硬件位置。当我们在 P0 与 P1 之间做 SWAP 时，交换的是两个位置上的量子态（以及它们与别处比特的全部纠缠关系）——所以 SWAP 是"搬态"而不是"复制"。这也解释了为什么映射问题里的"比特"必须一直追踪：逻辑比特 q0 是一个标签，它在硬件上的位置随 SWAP 不断漂移。

1.2两比特门：一切开销的源头

通用量子计算只需要单比特门 + 一种两比特门（如 CNOT 或 CZ）就足够了，但两比特门的物理实现远比单比特门困难：它需要把两个量子比特的能级"耦合"起来发生相互作用，误差通常高一到两个数量级（单比特门误差 ~10⁻⁴，两比特门 ~10⁻³–10⁻²），时长也更长。硬件出于频率规划与串扰控制的原因，只允许在物理上直接耦合的比特对之间执行两比特门——这就是耦合图约束的物理来源。映射问题的全部痛苦，本质上都是两比特门的位置约束带来的。

1.3耦合图：一条不容商量的硬约束

把硬件抽象成图 G = (V, E)：V 是 n 个物理量子比特，E 是允许两比特门交互的比特对。不同机器的 E 差异巨大：IBM 的 heavy-hex 上每个比特最多 2–3 个邻居；Google 与中科大的方格拓扑约 4 个；离子阱机器近乎全连通但要用"搬运离子"来换位。耦合图是 transpiler 的硬输入——电路必须被改写到这个图上，不存在"软件上通融"的余地。

1.4电路的 DAG 与深度：时间从哪里来

电路可以画成一张 DAG（有向无环图）：门是节点，共享比特的门之间连边。互不冲突的门可以归入同一层并行执行；层数就是电路深度。深度之所以重要，是因为量子比特的相干性会随时间衰减（退相干，用 T1/T2 刻画）：深度越大，执行越久，态"变质"得越厉害。插入 SWAP 不只是多付 3 个门的误差，它往往还会把电路拉长——一个设计不佳的 SWAP 有可能让深度直接翻倍。

1.5SWAP 的真实价格

一个 SWAP 门等价于 3 个 CNOT：

所以"插入 k 个 SWAP"的真实账单是 3k 个两比特门的误差与时延。有三点让它更微妙：

• 有的 SWAP 可以打折：若电路里恰好有 CNOT(a,b)，CNOT 与 SWAP 有公共子结构，聪明的编译器能把 SWAP "吸收"进相邻门（部分精确求解器如 OLSQ 专门做 SWAP 吸收）。
• 有的场景不需要 SWAP：利用门的交换律改写逻辑标签（fermionic swap network）、或用桥门（bridge gate）跨越一个中间比特，都可能绕开 SWAP。
• SWAP 数只是代理指标：真正在意的是深度、时长、保真度——SWAP 数与它们并不同步（第四章展开）。

1.6把电路看成"交互模式"

抛开具体门，电路对映射真正重要的信息是：哪些逻辑比特对、在什么时间步需要发生两比特交互。把它按时间片展开，就得到逐层的交互图 / flow 矩阵——这是几乎所有映射算法真正的"输入视图"，也是后面机器学习方法（QAP 形式化）与 token swapping 理论的接口。

问题的形式化：输入、输出与目标

2.1严谨的问句

2.2一个容易被忽略的事实：等价是"带置换的等价"

路由过程中逻辑比特会漂移，所以 C′ 执行完后，逻辑比特往往不在出发时的物理位置上。测量与后续操作必须按最终映射来解读——这带来两件事：其一，编译器必须正确追踪 末端置换，否则"算对了却读错了地方"；其二，如果算法后续是循环结构（如 QAOA 的逐层迭代），可以把置换折叠回下一轮的 layout 而干脆不插末尾 SWAP——Qiskit 的 ElidePermutations pass 就在做这件事。置换的正确性靠 等价性检查兜底，这是映射器出错时的最后防线。

2.3复杂性与残酷的现实差距

SWAP 插入问题已被证明是 NP-complete / NP-hard（Siraichi et al. 2018；近年在 commuting gates 等子设定上被反复再证明）。这意味着精确方法有天然的规模墙，而启发式永远面对"离最优有多远"的拷问。2025 年的 QUBIKOS 基准用"已知最优 SWAP 数"的电路实测了主流工具：LightSABRE 平均偏离最优 63 倍，t|ket⟩ 达 330 倍。换句话说：这个问题的"平凡解"离"好解"隔着一整条峡谷，而这条峡谷正是研究者多年耕作的田地。

2.4为什么"哪个编译器更好"很难回答

指标之间并不同步：A 方法 SWAP 数最少，B 方法深度最浅，C 方法在真机上保真度最高——三者可以同时成立。SWAP 数是硬件无关的"干净"指标，但 virtual-Z 零成本、不同门时长、校准数据的漂移都会让"干净"指标与实验结果脱节。这解释了 2025–2026 年学界的一股新潮流：造"已知最优解"基准（QUEKO/QKNOB/QUBIKOS）、统一评估框架（RSQASM），把评测本身变成一门学问。

三大求解流派

同一个问题，三种世界观：精确派相信"可证最优"；启发式派相信"工程上够好、快到能每天用"；学习派相信"让数据教出策略"。理解它们的分歧点，比记住任何一篇论文都重要。

3.1精确派：把映射写成一道逻辑题

精确派把 QMP 编码成 SAT / SMT / CP / ILP 等数学求解器能吃的形式。以 SAT 为例，核心变量是"在每个时间步 t，逻辑比特 i 是否位于物理比特 p"的 0/1 矩阵 x[t,i,p]，约束保证每个逻辑比特每步恰占一个位置、每个门的两端落在耦合图的边上，再以"插入 SWAP 数 ≤ k"做增式搜索：k=0 无解就试 k=1，直到可满足——得到的 k 就是可证最优的 SWAP 数。

代价是规模墙：官方口径下 MQT QMAP 的 exact 模式约在 8 逻辑比特封顶。因此精确派今天的主要身份是两重：小规模场景的直接求解器 + 给启发式"打分"的标尺（已知最优解基准就靠它们生产）。

3.2启发式派：SABRE 范式与七年拉锯

工业界的事实标准是 SABRE（ASPLOS 2019，Qiskit 默认引擎）。它的骨架出奇地简单，值得逐步拆开：

1. 代价函数：对当前映射 π，逐门评估"执行这个门需要把两个比特拉近多远"。用距离矩阵 D（耦合图上的最短路）写出来就是 E(S) = Σ_g∈S h(π·D·πᵀ)——一个映射好不好，就是"所有近期门的两端距离之和"。
2. look-ahead（前瞻）：不能只看眼前这一门——交换律与就近执行常常是错的。SABRE 给紧邻层权重 1、次邻层一个衰减权重，让决策"看得更远一点"；另配 decay 参数防止某些比特被反复折腾（深度感知）。
3. 反向遍历（reverse traversal）：SABRE 最漂亮的招式——先把电路反着跑一遍得到一个映射，再用它作正向的起点。直觉：末尾的映射"天然适合"电路尾部，反过来用就预热了正向搜索。
4. 多起点：换不同随机种子跑多次取最好——Qiskit 把它暴露成 layout_trials / swap_trials 参数。

2023–2026 年的启发式创新，绝大多数不是推翻 SABRE，而是往它的代价函数里塞新信号：单比特门对深度的贡献（ICCAD'23，深度平均 -27%）、门/读出误差、T2 相干衰减（TRAM）、核间通信代价（dSABRE）。工程侧则是 LightSABRE：Rust 重写，约 200 倍加速，已随 Qiskit 1.2.0 落地。另有一条"经典搜索回归"线——A\*、beam search、滑动窗口——以可控的编译时间换接近最优的解。

3.3学习派：从 DQN 到「Transformer + GNN + 指针」配方

把路由建模成 MDP：状态 = 当前映射 + DAG 前沿门的交互需求；动作 = 选一条边插 SWAP（或执行当前门）；奖励 = 负的 SWAP 数 / 保真度。2018 年起的早期工作用扁平 DQN，2023 年后配方收敛为：GNN 编码硬件拓扑 + Transformer 编码电路序列 + 注意力指针输出匹配，奖励也升级为直接对齐经典组合优化的 二次分配问题（QAP）目标 O = Tr(F·X·D·Xᵀ)（F=交互流矩阵，D=距离矩阵）。

代表作：IBM 把 RL 合成/路由装进产品管线（133 比特上超 SABRE）；QAP-Router 在 1,831 个真实电路上把 CNOT 数比工业编译器再降 12–30%；QARMA 在模块化多核架构上把核间通信平均砍 86%。但学习派有一个公开的软肋：泛化——同一篇 2026 年的校准感知 RL 论文里，5–8 比特电路保真度 0.73 大胜 SABRE 的 0.44，10 比特族却全面落回下风。学习式映射器"小电路称王、大电路还债"的现状，正是这个方向最诚实的入场须知。

目标函数的升级：一部"SWAP 数不够用"的历史

把 2023–2026 年的文献横着看，会发现一条惊人清晰的主线：几乎每个新方法都是靠"换目标函数"切入的。这条演化链值得逐环走一遍。

4.1SWAP 数 → 深度

SWAP 数不等于深度。ICCAD 2023 的工作证明：忽视单比特门对深度的贡献，插入一个 SWAP 可能让深度翻倍；把单比特门深度代价塞进 SABRE 后，117 个真实电路平均降深 27%。

4.2深度 → 执行时长 → 校准感知保真度

深度还隐含了"所有门一样快"的错误假设：CZ 门 68 ns，读出却要 1,660 ns，virtual-Z 为零——真实时间预算必须按时长加权。再往上一层，就是直接以期望保真度为目标：用当日 校准数据给候选布局打分。IBM 的 Nation & Treinish（PRX Quantum 2023）用"同构子图 + 误差代价"的方法平均找回了近 40% 的丢失保真度，这个思想已经融入 Qiskit 默认编译流程。噪声的粒度也在细化：串扰（并行门之间的额外误差）、T2 相干衰减（TRAM）、甚至中途测量的逐比特误差差异（MERA，较 Qiskit-O3 保真度 +25%~52%）。同时一个新问题浮出水面：校准数据是会过期的——"校准漂移"让昨天的最优映射今天失优，催生了多版本预编译、运行时选区等工程对策。

4.3保真度 → 核间通信（分布式）

当一台机器装不下电路，映射升级为"划分 + 通信"：把逻辑比特分到多个 QPU，跨分区的两比特门用 EPR 对与 teleportation 实现。此时代价单位变成"EPR 消耗 / 核间操作数"——dSABRE 用"核内 SWAP 优先、核间传送兜底"的统一打分，把 EPR 消耗较前代再降 41–44%。与之并行的另一条路是 电路切割（用经典后处理换量子通信），两者的分界线由互联硬件的质量决定。

4.4一切的尽头：时空体积（容错）

进入容错时代（第七章），目标函数最终定格为时空体积 = 占用补丁数 × 占用时间步。此时 SWAP 数、深度这些 NISQ 指标全部退役——它们甚至不再是良定义的。这条"SWAP → 深度 → 时长 → 保真度 → EPR → 时空体积"的链条，就是理解近年全部文献的一把钥匙。

硬件平台如何改写问题：同一个 QMP，不同的物理

把"映射"想成一个问题而非一个算法，才能理解为什么 2023 年后的论文越来越"平台特化"：耦合图、native 门集、频率方案，任何一项变了，问题的形态就变了。

5.1超导三大拓扑：一条"连接度 vs 串扰"的权衡线

拓扑之外，还有两个经常被忽略的硬件自由度：

• native 门集决定 SWAP 的"合成税"：SWAP 在 CZ 门机器上是 3 个 CZ；在 iSWAP 机器上（如祖冲之三号、Rigetti Ankaa-3）属于同一交换族，合成结构完全不同；IBM Heron 开放的 fractional RZZ(θ) 更让 Ising/QAOA 类电路可以"就地旋转、免 SWAP"。ISA 感知路由（Canopus，ISCA 2026）报告了相对 SOTA 方法 15–35% 的路由开销下降——这意味着"在哪个门集上跑"直接改变问题的最优解形状。
• 频率约束是隐藏的并行限制：fixed-frequency 超导比特靠 可调耦合器开关相互作用，邻居频率太近会撞车（频率碰撞），并行执行的门之间还有 串扰——祖冲之三号甚至要在执行时把邻位耦合器动态关闭（DTN）。逐边校准误差是"隔离测量"的产物，不包含并行串扰，直接拿它当并行调度代价会系统性低估。

5.2当"移动"本身成为原语：离子阱与中性原子

离子阱机器（Quantinuum H2 等）近乎全连通，但比特是物理离子——要执行门，必须用 shuttling（穿梭）把离子搬运到同一区域（QCCD 架构）。于是映射的"路由"变成了"搬运调度"，代价单位从 SWAP 数变成搬运次数与距离（伴随运动发热）。2025–2026 年甚至出现了用强化学习（搬运操作 -36%）和 LLM 直接生成穿梭序列的编译器。

中性原子阵列更激进：原子可以被激光重排，"移动"本身是一种编译自由度。分区（zoned）架构把芯片划成存储区/纠缠区/读出区，编译器要联合决定"放哪 + 何时搬"；可重构阵列上的两级映射（MAX k-Cut 粗粒度 + 负载均衡细粒度，Atomique，ISCA 2024）和扩展到数千比特的搜索方法（MQT IDS）是这一线的代表。

动态电路：当程序在运行中途改变主意

传统电路是"一次编译、从头执行到尾"。但现代硬件支持在电路执行中途测量、重置比特、并按测量结果实时分支（动态电路）。三个原语改变了映射问题的边界：

• 中途测量（mid-circuit measurement）：读到中间结果后继续计算（前馈）。
• 重置（reset）：把测完的比特清回 |0⟩。
• 比特复用（qubit reuse）：把"用完即弃"的比特回收再利用。

6.1比特复用：用时间换空间

一个典型战果：Quantinuum 在 20 比特的机器上执行了 80 比特的 QAOA——通过系统的"测量-重置-复用"编译（DeCross et al., PRX 2023）。对映射而言，复用引入了全新的约束与机会：复用决策与 SWAP 代价耦合（复用哪个位置的比特，取决于它之后要和谁交互），首个可证最优的形式模型（Brandhofer, QCE 2023）就把 reset 保真度（实测 67.5%–100%，状态依赖！）与 SWAP/深度代价一起写进了优化目标。

6.2前馈：SWAP 网络的运行时替身

动态 QFT（PRL 2024）展示了一个概念性突破：用"测量 + 实时经典前馈"替代 SWAP 网络，把 O(n²) 的全连接需求降为 O(n) 次中途测量，完全绕开拓扑约束。代价是经典控制链路的延迟成为新的资源——前馈慢一点，量子比特就在等待中退相干。于是"映射问题"第一次有了运行时维度：编译产物不再是静态门序列，而是带分支的程序，控制器（FPGA 时序、分支指令延迟）成了代价模型的一部分。

容错时代：当"比特"变成"补丁"，映射问题升维

7.1为什么需要量子纠错

物理两比特门误差约 10⁻³，而实用算法（如大数分解）需要 10⁻⁹–10⁻¹² 量级的总成功率——中间隔着六个数量级，靠物理门工艺永远填不上。量子纠错（QEC）的思路是：用许多物理比特编码一个逻辑量子比特，通过反复测量稳定子来发现并纠正错误。当前的主流选择是表面码：把逻辑比特放进一块 d×d 的"补丁"（patch），d 叫码距——d 越大，纠错能力越强，物理开销越大（每个 d=27 的逻辑比特约需上千个物理比特）。

7.2lattice surgery：用"合并与劈开"做逻辑门

两个补丁不相邻时，逻辑两比特门怎么执行？答案优雅得像一场外科手术：把两个补丁沿同类边界合并（merge），测量联合稳定子，再劈开（split）——这一对操作等价于对两个逻辑比特做一次联合 Pauli 测量。逻辑 Clifford 门可以被代数地分解为一串这样的联合测量（Pauli 轮换中间表示）；更妙的是，可对易的 Clifford 旋转能一路"漂移"到电路末端被测量吸收——在这个框架里 Clifford 门本身不占用资源，真正昂贵的是 T 门与时间本身。

7.3新的成本观：时空体积

FT 电路的第一代价指标是 时空体积 = 占用补丁数 × 占用时间步（以 d³ 计）。它同时惩罚"摊得太大"（浪费面积）与"排得太慢"（浪费时间），而这两者居然可以交换：极省空间的配置跑 4 小时，多雇 11 座 magic state 蒸馏工厂就能压到 22 分钟——蒸馏工厂生产非 Clifford 门消耗的"燃料"，本身占据大量时空体积，调度器必须同时安排"计算"与"供电"。逻辑级映射因此分裂为三个互相咬合的子问题：补丁放置（placement）→ 手术布线（routing）→ 时间调度（scheduling），最优性目标从"SWAP 数"换成了时空体积。编译器谱系上，SAT 精确综合（LaSsynth，小规模体积最优、甚至发现过已发表设计的错误）与启发式（TopoLS 的 ZX 图 + MCTS，平均 -46% 体积；Qomet 的对易重组 + 事件驱动调度，平均加速 4.29×）双线并行——恰好是 NISQ 时代两大流派的镜像重演。

7.4qLDPC 与 BB 码：换一套"路由原子操作"

表面码的致命伤是码率：上千个物理比特才换 1 个逻辑比特。qLDPC 码用长程、低权重的稳定子换高码率——IBM 的 bivariate bicycle 码（BB 码，如 [[144,12,12]] "gross code"）把 12 个逻辑比特装进 288 个物理比特，同等纠错能力下比特数约为表面码的 1/10。代价：稳定子是长程的，芯片需要长程连接器。

对映射研究最有启发性的是它的路由方式：BB 码没有 SWAP。环面的旋转对称性给出一族"移位自同构"指令（automorphism），数学上保证任何逻辑置换都能表示为至多两条指令的乘积；Clifford 门由自同构与 Pauli 测量合成，T 门靠 magic state 传送注入。搜索空间从"边序列"变成了"群元素序列"——这是问题定义层面的升维，而不是参数调整。

近三年研究前沿巡礼（2023–2026）

前面七章建立的是"不变的概念骨架"。这一章把 2023–2026 年的研究前线铺开：两条平台研究线（中性原子、离子阱）、目标函数的最新一代、以及一场正在发生的"评测方法论自省"运动。所有数字都出自经核验的论文与官方文档。

8.1平台前沿 · 中性原子：从"能否映射"到"能否扩展"

中性原子阵列给编译器的礼物是"移动"本身成了一种指令：原子可以被激光镊子搬运，所以布线不再只靠 SWAP，还可以"把原子搬过去"。研究线按时间推进：

• 精确最优线：DPQA（动态场可编程原子阵列）上的布局综合被离散化后交给 SMT 求解（OLSQ-DPQA，Quantum 2024）——小规模下可证最优，混合启发式在 90 比特随机图基准上比固定网格架构省 5.1 倍两比特门；
• 两级映射线：Atomique（ISCA 2024）把问题拆成"量子比特→阵列"（门频图上做 MAX k-Cut）与"量子比特→原子"（负载均衡）两层，再加并行门调度，在 QASMBench/SupermarQ 等 20+ 基准上一致优于把中性原子当超导格子编译的做法；
• 扩展性线：zoned 架构（存储区/纠缠区/读出区）此前一编译到数千比特就内存爆炸——MQT 的 IDS 搜索（2025，已并入 MQT QMAP）用目标导向搜索把编译推到数千比特，原子重排开销平均降 28.1%；
• 重用与分区线：ZAC（HPCA 2025）让"读出后立即重填"的重用策略与数据放置、调度联合优化——分区架构较单区架构保真度约 22 倍；后续 ZAP 把 zoned 编译速度再提三个数量级；
• 装载与损耗线：ATLAS（2025）处理含原子丢失的重排（99% 填充率、90% 保留率）——装载阶段的重排与电路映射的边界正在融合。

8.2平台前沿 · 离子阱：映射问题的"调度化"

离子阱（QCCD 架构）门区近乎全连通——SWAP 税消失了，但每次执行门前要把离子穿梭（shuttling）到同一区域，搬运有耗时与运动加热代价。于是映射问题变形为时空调度问题，近三年形成一条完整的研究线：

• 自动化基线：线性分段阱的穿梭序列全自动生成 + 初始分配方法对比（Quantum 2023）——证明"初始分配好坏直接改变穿梭开销"，与 NISQ layout 的结论遥相呼应；
• 统一抽象：position graph（2025）把多种穿梭架构统一成图抽象，其上的 SHAPER/SHAW 启发式调度比基线平均快 1.45 倍（最佳 4 倍），并附带线性规划最优模型做标尺——这是"抽象先行"的方法论样本；
• 学习式最先开胡的平台：RL 穿梭调度（2026）较 SOTA 启发式减搬运 36.3% 且跨芯片架构即插即用；LLM 直接生成穿梭调度（2025）降最多 15% 并泛化到训练中未见的 four-way junction 布局——注意，学习式方法在门级 routing 上还困于泛化（3.3 节），却在搬运调度上先拿到了真机级收益；
• 容错延伸：离子阱版表面码编译器 TISCC（SC-W 2023）；2026 年离子阱上完成跨码手术实验（表面码 Hadamard + 3D 色码 CCZ 组合）——手术编译首次跨码落地。

8.3目标函数前沿：新指标就是新方法的入场券

第四章的升级链在这三年里每环都有标志性成果，值得按"研究动作"重述一遍：

把这张表竖着读是指标史，横着读是方法论竞赛：同一个目标函数下，精确、启发式、学习式三派各自交卷——这正是三足鼎立格局成熟的表现。

8.4评测框架前沿：一场"方法论自省"运动

三年间增长最快的小众方向不是某个新算法，而是"怎么评"本身。导火索是一个尴尬的实证发现：中性原子编译器的已发表结论在统一口径下缩水甚至不复现（8.1 节）。社区的响应分三层：

1. 已知最优锚点：QUEKO（最优深度+映射，2020/IEEE TC）→ QKNOB（近优 + SWAP 动作序列，2023/2024）→ QUBIKOS（可证最优 SWAP 数，DAC 2025）——后者一举实测出主流工具 63–330 倍的最优性鸿沟，把"我们离最优还有多远"从感觉变成数字；
2. 统一评测流程：RSQASM（统一后端表示 + 归一化评测，QCE 2026）、Benchpress（编译器基准框架，Nature Computational Science 2025）、QED-C 应用级基准（17 应用 × 5 难度级）、microbench 微基准、以及以保真度为综合指标的 NISQ router 评测（2025）；容错侧 FTCircuitBench（2026）补上 FT 编译基准空白；
3. 工程自省：transpilation 漂移的 CI/CD 检测、编译过程 provenance 自动追踪、量子工具链 reproducible builds——评测的"基础设施化"；甚至有工作用 MLIR 等经典编译基础设施重写映射层（2026）。

8.5三年大事记：一页看懂 2023–2026

完整论文清单与链接见姊妹文档《QMP研究综述_2023-2026.md》与《QMP专题调研2》。

动手实践：从跑通一个映射到造自己的数据集

8.1第一课：Qiskit 里的映射长什么样

from qiskit import transpile
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager

# 目标机器：IBM Heron r2（heavy-hex, 156 比特）—— 免费层即可用
pm = generate_preset_pass_manager(optimization_level=3, backend=backend)

best = None
for seed in range(20):          # SABRE 是随机的：多采样取最优
    tqc = transpile(qc, backend=backend, optimization_level=3, seed_transpiler=seed)
    if best is None or tqc.count_ops().get('cz', 0) < best.count_ops().get('cz', 0):
        best = tqc
# best.layout 追踪了初始映射与路由过程 —— 试着打印它，对照序章的图 1

三个值得亲手验证的观察：① level 3 的 layout 阶段是"完美解优先（VF2 子图同构找零 SWAP 布局）→ SabreLayout 兜底"的两步范式；② 换 seed 结果会变（2.3 节的随机性）；③ 数一数输出里的 SWAP：把电路手工画在耦合图上，看编译器与你的直觉谁赢。

8.2进阶：用精确求解器生产"已知最优"标签

若你想训练自己的映射器，最大的瓶颈是没有标签。管线分三层（按规模递进）：

# pip install mqt.qmap qiskit
from mqt.qmap.plugins.qiskit.sc import compile_
from mqt.qmap.sc import Method

qc_mapped, res = compile_(qc, arch,
    method=Method.exact,                  # MaxSAT/Z3 精确模式
    post_mapping_optimizations=False)     # 保持标签语义纯净
print(res.output.swaps)                   # 该电路在该拓扑上的最优额外 SWAP 数

评测集则直接用现成的"已知最优/近优"基准：QUEKO（最优深度+映射）、QUBIKOS（可证最优 SWAP 数，生成器式可扩量）、QKNOB（近优 + SWAP 动作序列，可做模仿学习）。训练分布用 MQT Bench 批量生成。注意许可：QKNOB/QUEKO/MQT 系（MIT/BSD）可放心使用；QUBIKOS 仓库未标 license。

8.3零成本上机：把编译结果送上真机

• IBM Quantum：Open Plan 免费 10 分钟真机时长/28 天（模拟器不限量），Heron r2 已下放免费层——映射研究的主力试验床；
• IQM Resonance：每月 30 免费 credits，方格拓扑做第二架构对照；
• Quantinuum：syntax checker 免费校验电路合法性（全连通对照）；
• 本源量子云：免费"悟空"真机机时（中文侧对照）。

完整 14 家平台清单、免费额度与"零成本实验闭环"路线，见姊妹文档《QMP专题调研2》第四章。

8.4推荐学习路径

1. 读一篇综述定框架：arXiv:2505.16891《Quantum Compiler Design for Qubit Mapping and Routing》（2025，43 页，唯一跨超导/离子阱/中性原子的 QMP 专述综述）；
2. 跑通 8.1，再读 SABRE 原文（arXiv:1809.02573）对照 Qiskit 源码；
3. 做一个"已知最优"实验：在 QUEKO 的小实例上对比 SABRE-best20 与 QMAP exact，亲手感受 63 倍差距（8.2 节）；
4. 选一个方向下潜：噪声感知（Nation & Treinish, arXiv:2209.15512）／机器学习（QAP-Router, arXiv:2605.12365）／容错（Litinski, arXiv:1808.02892 起步）。

开放问题：这片大陆还没有地图

1. 最优性鸿沟：主流工具距已知最优 63–330 倍——这条峡谷的底部在哪里，没人知道；
2. 校准漂移：映射收益依赖会过期的校准数据，"鲁棒的噪声感知映射"尚无系统性理论；
3. 学习式方法的泛化：小电路称王、大电路还债——跨拓扑/跨规模的泛化是 ML 路线的生死题；
4. 评测口径：统一评估框架刚在中性原子平台证明"部分已发表结论无法复现"，超导/离子阱尚无对应物；
5. 控制流感知 routing：动态电路的分支/前馈与映射的联合理论几乎空白；
6. 容错层的开垦：qLDPC 布局布线调度的通用理论、编译-解码协同、magic state 工厂与计算的联合调度，全部处于"刚刚起步"状态。

就在几年前（2018 年前后），这个问题还只是编译器流水线里一个不起眼的 pass；今天它同时牵动着算法、体系结构、纠错与机器学习四个社区。你手里的这份讲义覆盖的是地图上已被命名的部分——而 2.3 节那条 63 倍的峡谷，正等着有人去走。