LLM-Driven Algorithm Design for Quantum Circuit Synthesis based on Binary Decision Diagrams
研究人员提出名为 QuantumEvo 的框架，利用大语言模型（LLM）作为启发式生成器，针对基于二进制决策图（BDD）的量子电路综合进行量子成本（QCC）感知的变量排序优化。该框架通过搜索由多种启发式家族初始化的排序策略，利用标准 BDD 操作直接操纵变量顺序并由下游 QCC 筛选候选者。其中发现的 HGA-QE 启发式修改了遗传算法中的筛分步骤以更好地对齐 QCC。在基准测试集中，HGA-QE 获得 70.9% 的平局或胜率，并在 13.5% 的功能上严格优于单函数最佳基线，展现出广泛的竞争性能及在不同数据源构建的测试套件上的相对优势。