量子电路编译与优化：门分解、电路深度与 Qiskit 编译管线

算法层：H 门、CNOT、旋转门 Rz(θ)…（通用、易读）
硬件层：每家芯片只支持自家门集（如单比特 + CNOT，且连接有约束）
编译 = 把算法电路翻译成硬件能执行、尽量高效的电路

1. 门集映射：Rz(θ) → 硬件门（如 Rz + Sqrt(X)）
2. 逻辑到物理：算法比特 → 芯片实际比特（Layout）
3. 路由：两比特门必须在物理相连的比特上（Routing）
4. 优化：合并门、消除冗余、减小深度

保真度 ≈ (1 - 单门错误率)^门数
例子：1000 个门，单门错误率 1% → 保真度 ≈ (0.99)^1000 ≈ 4e-5（几乎全错）
→ 深度/门数每减半，保真度指数级提升

# Qiskit 查看电路指标
print(circ.depth())      # 深度
print(circ.width())      # 宽度（比特数）
print(circ.count_ops())  # 各门计数

Clifford 门：H、S、CNOT（可容错实现、易纠错）
T 门：T = Rz(π/4)（非 Clifford，实现更贵）

任意单比特旋转 → 用 Clifford + T 近似（Solovay-Kitaev 定理）

只有 Clifford 门 → 电路可用经典高效模拟（Gottesman-Knill 定理）
T 门引入「非经典」→ 才有量子优势
代价：T 门需要 magic state 蒸馏 → 非常贵

Rz(θ) → 用 H、S、T 序列近似（误差 ε → 门数 ~ log²(1/ε)）

# Qiskit 自动分解：transpile 到 basis gates
from qiskit.transpiler.passes import BasisTranslator
from qiskit.circuit.library import TGate, HGate, SGate, CXGate

# basis_gates 指定目标门集，transpile 自动分解
optimized = transpile(circ, basis_gates=['u', 'cx'])

常见 pass：
  1. 对易合并：两个可交换门合并（Rz(a)·Rz(b) = Rz(a+b)）
  2. 门消除：X·X = I 对消
  3. 重排：调整门序以利于合并
  4. 简化：把旋转门合成一个

from qiskit import QuantumCircuit

# 两个连续 Rz 可以合并
qc = QuantumCircuit(1)
qc.rz(0.3, 0)
qc.rz(0.5, 0)      # = rz(0.8)

from qiskit.transpiler import PassManager
from qiskit.transpiler.passes import (
    Optimize1qGatesDecomposition,
    CommutativeCancellation,
    RemoveDiagonalGatesBeforeMeasure,
)

pm = PassManager([
    Optimize1qGatesDecomposition(),     # 合并单比特门
    CommutativeCancellation(),          # 对易消除
    RemoveDiagonalGatesBeforeMeasure(), # 测量前消对角门
])
optimized = pm.run(circ)

from qiskit import QuantumCircuit, transpile
from qiskit_ibm_runtime import QiskitRuntimeService

qc = QuantumCircuit(3)   # 你的算法电路
qc.h(0); qc.cx(0, 1); qc.cx(1, 2)
qc.measure_all()

# 编译到某个后端
service = QiskitRuntimeService()
backend = service.backend("ibm_sherbrooke")

compiled = transpile(qc, backend, optimization_level=3)
# optimization_level: 0 快 / 1 / 2 / 3 最优化

print(compiled.depth())       # 编译后深度
print(compiled.count_ops())   # 编译后门集（已是硬件门）

Layout：把算法比特映射到芯片比特（哪个逻辑比特放哪个物理比特）
Routing：物理不相连的两比特要做 CNOT → 插入 SWAP 搬数据

SWAP = 3 个 CNOT → 很贵！
Routing 好坏 = 插入的 SWAP 数量
好的 Layout 能大幅减少 SWAP

# Qiskit 里查看耦合图与路由结果
print(backend.coupling_map)            # 芯片连接图
compiled = transpile(qc, backend, routing_method='sabre')
# routing_method: sabre / basic / lookahead / stochastic

经典流程：测量 → 结果决定后续门 → 继续跑
例子：重复纠错测量、变分算法的参数更新

from qiskit import QuantumCircuit, ClassicalRegister

qc = QuantumCircuit(2, 1)
qc.h(0)
qc.cx(0, 1)
qc.measure(0, 0)            # 中间测量
# 经典反馈：根据测量结果控制后续门
qc.x(1).c_if(0, 1)          # 若比特0=1，则对比特1施加X

总错误率 ≈ 1 - (1-ε)^N ≈ N·ε（小 ε 时）
N = 门数，ε = 单门错误率
同样 1000 个门 vs 500 个门 → 错误率差 2 倍

from qiskit import transpile

# 对比不同优化级别的门数与深度
for level in range(4):
    c = transpile(qc, backend, optimization_level=level)
    print(f"level {level}: depth={c.depth()}, gates={c.count_ops()}")

1. 用 hardware-efficient 电路（直接贴芯片门集）
2. 减少 T 门（T 门最贵）
3. 好的 Layout/Routing（少 SWAP）
4. 动态解耦（抵消噪声）

from qiskit import QuantumCircuit, transpile
from qiskit.circuit.library import QFT
from qiskit_ibm_runtime import QiskitRuntimeService

# 1. 构造 5 比特 QFT
qc = QFT(5).decompose()
qc.measure_all()
print("原始深度:", qc.depth())

# 2. 获取真实后端
service = QiskitRuntimeService()
backend = service.backend("ibm_sherbrooke")

# 3. 三种编译策略对比
results = {}
for level in [0, 2, 3]:
    c = transpile(qc, backend, optimization_level=level)
    results[level] = (c.depth(), c.count_ops())
    print(f"level {level}: depth={c.depth()}, ops={c.count_ops()}")

# 4. 跑真机（受噪声预算限制）
# sampler = SamplerV2(mode=backend)
# job = sampler.run([compiled], shots=4096)
# print(job.result())

level 0 → depth 上百
level 3 → depth 明显更小、门更少
→ 保真度可能差几倍（门数减半=错误减半）