面向量子—经典加速的混合张量网络（OSDI 2026）
原题：qTPU: Hybrid Tensor Networks for Quantum-Classical Acceleration
一句话总结：现有量子—经典程序把电路枚举、QPU 执行和经典后处理写成固定流水线；qTPU 用混合张量网络（hTN）把整段计算表示成一个图，再以量子误差与经典 FLOPs 的 Pareto 前沿共同优化，在 QNN、线路切分和误差缓解实验中将编译时间最多降低 53 倍、量子误差最多降低 7.2 倍，但结论主要建立在模拟误差模型和小规模真实 QPU 验证上。
问题与动机
混合量子—经典应用通常只把量子电路中最难的部分放到 QPU，其余线性代数和控制逻辑放在 GPU 或 CPU。现有量子 kernel 模型要求程序员手工生成电路族、选择设备、等待测量结果，再调用经典内核。量子计算与经典计算之间的边界在编译前就被固定，编译器不能跨边界重排或切分计算。
这类限制在 circuit knitting、量子误差缓解（QEM）和量子机器学习（QML）中尤其明显：它们会生成大量结构相近的电路变体，随后用张量或线性代数运算重建结果。逐一物化变体会放大代码生成、调度和经典后处理开销。论文的研究问题是能否用同一种表示描述两种计算，并让编译器和运行时根据 QPU 数量、噪声和经典资源动态决定执行方式。
关键观察 / 隐含假设
- 观察 1：量子电路与经典线性代数都可表示为张量网络。 量子门是带输入、输出指标的张量，电路执行可视为网络收缩；经典矩阵乘法也属于同一 Einsum 形式（§3.1）。
- 依赖假设：目标混合应用能够主要写成量子张量产出结果、再与经典张量收缩的形式。
- 可能失效场景：包含大量非线性控制、动态测量反馈或状态依赖分支的工作负载，可能无法保持紧凑的 hTN 表达。
- 观察 2：减少 QPU 电路深度和规模可以降低量子误差，但会增加经典切分与重构成本。 qTPU 的实验中，增加经典 FLOPs 能换取 2–7.2 倍误差下降；因此量子与经典资源之间存在可搜索的 Pareto 前沿（图 9、图 10）。
- 依赖假设：门错误概率可由编译时的误差模型近似，且经典后处理成本是可接受的。
- 观察 3：QPU 通常是吞吐瓶颈，切片后的 qTensor 实例可以并行执行。 16 个 QPU 在 W-State 基准上达到 14.4 倍加速、约 90% 效率（图 12）。
- 可能失效场景：QPU 共享队列、网络传输、校准频繁变化或切片结果需要强同步时，独立切片的并行性会下降。
核心方法
qTPU 的核心抽象是 hTN：经典张量（cTensor）与量子张量（qTensor）组成一个连接图。qTensor 不直接列出每个电路，而是用 iswitch 将符号索引绑定到一组门或测量操作；hEinsum 则用统一的 Einsum 表达式连接 qTensor 和 cTensor。执行时先在 QPU 上物化 qTensor，再在经典设备上收缩所得 cTensor。
编译器将 hEinsum 转为 qTPU IR，并在两类成本之间搜索：经典成本以收缩所需 FLOPs 表示，量子成本以 qTensor 中至少发生一次门错误的估计概率表示。优化器使用图划分、tensorization、空间切分和时间切分，将大 qTensor 改写为多个较小 qTensor 及经典重构操作；随机多起点搜索保留 Pareto 最优方案。用户还可以约束每个 qTensor 的最大 qubit 数、量子误差或经典 FLOPs。
运行时先沿靠近 qTensor 的指标切片，使独立实例数量达到可用 QPU 数量，再进行设备放置和设备相关代码生成。qTensor 引擎并行运行量子内核，cTensor 引擎异步收缩结果并归约切片。切片是独立恢复单元，QPU 校准下线或经典设备失败时，未完成实例可转移到其他设备（§7.4）。
设计取舍
- 以经典计算换取量子可靠性：线路切分和误差缓解降低了单个 QPU 内的错误，但引入更多 cTensor、数据移动和采样成本。论文优化的是估计成本，不是统一的金钱、能耗或服务级目标。
- 符号表示换取编译复杂度：qTensor 避免显式枚举电路变体，缩小代码规模；但编译器要做图划分、收缩排序和多目标搜索，且搜索质量依赖随机超参数与误差模型。
- 独立切片换取同步简化：切片便于负载均衡和故障恢复，但论文的运行时主要适合可分解、批量化的工作负载，对强耦合的跨切片状态没有验证。
实验与结果
- 在 100-qubit 基准上，qTPU 的 Pareto 方案相对固定的 QAC 方案降低量子误差 1.5–7.2 倍；从 20 到 140 qubits 扩展时仍能保持误差降低（图 9–10）。
- VQE-SU2 编译时间从 20 到 140 qubits 时约为 1–3 秒，而 QAC 从 1.2 秒增至 134 秒，最大编译加速为 53 倍（表 1）。
- 在 IBM Marrakesh 的 QNN 实验中，80 qubits 时基线 fidelity 为 0.003，qTPU 为 0.12；论文报告 46 倍改善（图 11）。
- 16 个 QPU 执行 W-State 达到 14.4 倍加速；在 100-qubit Dist-VQE 中，超过 18-qubit cluster 后 qTPU 优于 cuTensorNet，19-qubit cluster 达到 6.7 倍加速（图 12）。
- 在 20–80 qubit、目标 10-qubit QPU 的 circuit knitting 实验中，qTPU 在 80 qubits 内完成时间少于 30 秒；QAC 超过 40 qubits 后在 20 分钟限制内超时，qTPU 生成的子电路数量少 10–42 倍，经典后处理保持低于约 10³ FLOPs（图 13）。
- QEM 实验中，qTPU 将最多 10,000 个样本的任务保持在约 10 ms 编译开销和约 3.7k 行代码；Mitiq 达到约 35 秒和 13.5M 行代码（图 15）。组合 circuit cutting、ZNE 和批量 QML 后，50 qubits 时端到端时间从约 1.7×10⁷ 秒降至约 5.8×10³ 秒（图 16）。
论断—证据表
| 论断 | 证据 | 评测边界 | 置信度 |
|---|---|---|---|
| hTN 能消除混合工作流中电路变体的显式枚举 | 图 13、图 16：子电路数量和生成代码大幅下降 | QNN、10-qubit 目标 QPU、线路切分与 ZNE 组合 | 强 |
| 编译器能在经典成本与量子误差之间提供有效折中 | 图 9–11：误差下降 1.5–7.2 倍，真实硬件 80q fidelity 为 0.12 | 统一门错误模型；真实 QPU 只覆盖 QNN | 中 |
| 运行时能扩展到多 QPU | 图 12(b)：16 QPU 达到 14.4×、90% 效率 | 独立 qTensor 实例；未覆盖高争用生产队列 | 中 |
| qTPU 普遍优于现有混合系统 | 图 13–16 的专用案例 | 基线按工作负载分别选 QAC、Mitiq、Batch；缺少长期运行和成本评测 | 中 |
批判性分析
论证链条
从张量网络统一表示到符号电路族，再到跨量子/经典的图重写，论文的主要逻辑是闭合的。实验也确实显示，避免电路枚举能降低编译和代码生成开销。需要谨慎的是，端到端加速很大一部分来自基线显式枚举大量变体；它证明了表示方式的价值，但不能直接等同于在所有 QPU 工作负载上获得同等加速。
假设压力测试
编译器把量子误差近似为独立门错误概率的组合，实验主要使用单量子门 10⁻³、双量子门 10⁻² 的均匀模型。真实设备的相关噪声、串扰、漂移、读出误差和拓扑约束可能改变 Pareto 排序。论文在 IBM Marrakesh 上验证了 QNN 的 fidelity 趋势，但没有展示多种设备、校准周期或拥塞条件下的在线重优化。
实验可信度
基线包括 QAC、cuTensorNet、Mitiq 和手工 Batch，且指标覆盖编译时间、经典 FLOPs、QPU 时间、代码规模和端到端时间。限制在于硬件设置只有一台带 A40 的服务器，QPU 运行时间主要由 IBM Marrakesh 的转译和调度估算，只有部分元数据校验。没有报告真实云服务价格、能耗、网络带宽、失败率和结果统计置信区间。
系统性缺陷
论文未详细讨论多租户隔离、QPU 服务队列、结果缓存、版本化校准数据和调度公平性。运行时的故障模型主要是设备下线或单个经典切片失败；对于部分错误结果、测量质量下降和跨设备噪声差异，恢复策略仍不清楚。qTPU 目前以 Python 原型实现，生产部署中的控制面开销和编译缓存行为尚未测量。
局限与后续工作
- 局限 1：成本模型把量子错误和经典 FLOPs 分开处理，未统一建模采样方差、准确率、美元成本、能耗和尾延迟。
- 局限 2：真实硬件验证规模和应用类型有限，无法证明在不同 QPU 拓扑、噪声类型和云端队列下仍保持相同收益。
- 后续工作 1：用校准期间采集的门级噪声、读出误差和队列时间在线更新 Pareto 前沿，并比较静态编译与动态重编译的总成本。
- 后续工作 2：在至少三种 QPU 后端和共享多租户队列上测量切片调度的 P95/P99 延迟、恢复率和单位结果成本。