本研究提出了一种基于蒙特卡罗树搜索和图神经网络的量子电路 qubit 路由优化方法，实现了以架构无关的方式，以尽量小的深度进行量子电路执行。

Apr, 2021

该论文提出了一种使用改进的深度 Q 学习范例的量子比特路由程序，能够在近期架构大小的随机和现实电路上优于目前两种最先进的量子编译器的比特路由程序。

Jul, 2020

本文提出了一种基于路由替换框架的量子计算机电路变换方法，用于解决电路与体系结构之间的差异，通过采用不同的启发式置换子例程来提高性能，实现了在网格和模块化体系结构上进行大型量子电路比较的策略。

Feb, 2019

本研究提出了一个编译器，可以转化和优化量子电路，以针对基于离子阱量子处理器的特定量子计算机架构进行目标定向；研究表明，与标准的 Pytket 和标准的 Qiskit 编译相比，该编译器可以将门数降低至 3.6 倍，并与针对 AQT 线性静态阱离子寻址的 Pytket 扩展相比实现类似的门数。

Jul, 2022

研究提出了一种方法，实现了在保持最小量子门的同时，将给定的量子功能映射到满足架构所有约束的一种实现，该方法比 IBM 自己的映射解决方案更快，提供了小成本的映射电路。

Dec, 2017

本文提出了量子计算机中量子比特路由问题的强化学习解决方案，解决此问题的方法是通过将传统的强化学习框架改进，允许离散动作空间，并证明了该方法的优越性，其具有普遍意义。

Dec, 2018

介绍了由 Cambridge Quantum Computing Ltd 开发的量子软件开发平台 t|ket>, 其核心是一种语言无关的优化编译器，旨在为各种 NISQ 设备生成代码，具有多种功能，旨在最小化设备错误的影响。编译器经过了广泛的基准测试，在电路优化和量子位路由方面的比竞争对手表现更优。

Mar, 2020

本文论述了量子计算作为克服后摩尔时代计算能力瓶颈的一种有前途的范式，特别是超导量子处理器的日益成熟，为量子算法的发展和实施提供了更多的可能性。此外，研究还表明相关算法的规模和精确度正在稳步提高，尤其是与人工智能方法的整合。本文系统地回顾和总结了大量的文献，探讨了从算法级到量子硬件级整合设计和优化方案的可行性，结合了逻辑电路设计和编译优化的步骤。借助人工智能算法的卓越认知和学习能力，可以减少手动设计成本，提高执行的精确度和效率，并促进量子算法在硬件上的实施和优势验证。

Jun, 2024

通过设计用于贝叶斯优化的量子电路度量，我们提供了一种新的量子门距离，该距离表征了每个量子态下门的作用，并从理论上研究了其几何特性，从而显著提高了三个经验量子机器学习问题（包括训练量子生成敌对网络、解决 MaxCut 问题中的组合优化和模拟量子傅里叶变换） 的基准性能，同时我们的方法可以推广到各种量子机器学习模型上。

Jun, 2022

本文研究了针对噪声中等规模量子计算机的量子电路映射问题，并提出了一种算法来利用变换和交换规则来改进电路映射。实验结果表明，与先前已知的最佳算法相比，使用更多规则的算法可以找到更好的电路映射。

Jul, 2019