计算物理学的格局发生了快速变化，人工智能已成为量子研究的动力倍增器。无论你是在对抗退相干、优化 VQE 的拟设（Ansatz）电路，还是设计噪声感知映射策略，AI 现在都是实验室中不可或缺的伙伴。
这些提示词经过严谨的结构化处理，可在包括 ChatGPT、Gemini、Claude 和 DeepSeek 在内的领先逻辑模型中有效运行。虽然每个模型都具有独特的架构优势——例如 Gemini 用于文献综述的广阔上下文窗口，或 DeepSeek 处理复杂逻辑的推理能力——以下 10 个提示词为旨在解决量子比特分配瓶颈的研究人员提供了通用基础。
1. 拓扑映射优化
最佳适用：DeepSeek（因其强大的逻辑和数学推理能力）。
将逻辑电路映射到具有受限连接性（如重六角或方格点阵）的物理硬件，通常需要引入 SWAP 门，这会增加电路深度和误差率。使用此提示词为特定拓扑结构构思启发式策略。
请扮演高级量子控制工程师。我正在处理一个具有 [插入拓扑类型，例如 Heavy-Hex] 耦合图的物理量子处理器。
分析以下逻辑量子电路结构：[插入逻辑电路描述或 QASM 片段]。
提出一种最小化 SWAP 门数量的量子比特分配策略。具体来说，概述一种启发式方法（如子图同构或前瞻式 swap 插入），优先考虑最纠缠量子比特的连通性。为您选择的启发式方法提供数学依据。
收益： 通过生成针对特定硬件限制的、有数学依据的映射策略，减少编译（Transpilation）中的试错时间。
2. 噪声感知量子比特路由
最佳适用：Claude（擅长分析复杂指令集并提供细致的解释）。
统一映射忽略了并非所有量子比特都生而平等的现实。此提示词可帮助您考虑 T1/T2 时间和门保真度数据，以优化分配。
我有一组 [数字] 量子比特设备的校准数据，包括每个耦合边的 T1 时间、T2 时间和 CNOT 误差率。
以下是 CSV 格式的校准数据：
[插入校准数据]
这是我的目标量子电路 (QASM)：
[插入 QASM 代码]
根据此数据，推荐一个初始布局（逻辑到物理比特映射），将最活跃的逻辑比特放置在具有最高相干时间和最低门误差的物理比特上。解释您对前 3 个关键分配的理由。
收益： 通过利用校准数据在分配阶段避开“坏”比特和嘈杂的耦合器，显著提高电路保真度。
3. 使用 Python 自动化编译转换器 (Transpiler Pass) 逻辑
最佳适用：ChatGPT（在标准 Python 脚本编写和库集成方面表现最强）。
当标准的 Qiskit 或 Cirq 编译器不足时，您需要自定义转换器。此提示词可生成自定义编译转换器的样板代码和逻辑。
使用 Qiskit SDK 编写一个 Python 脚本。创建一个旨在优化量子比特分配的自定义 `TransformationPass` 类。
该 pass 应实现“随机交换（stochastic swap）”策略，但需进行修改：它必须惩罚将状态移动到读取错误率高于 [插入阈值 %] 的比特的 SWAP 操作。包含解释如何计算交换选择代价函数的注释。
收益： 加速自定义软件栈的开发，允许您在无需从头编写样板代码的情况下测试新的分配算法。
4. 分析串扰对分配的影响
最佳适用：Gemini（处理大量上下文或多模态数据描述的理想选择）。
串扰是超导电路中的一个主要限制。此提示词有助于模拟或预测分配中的并行门执行如何触发串扰。
审查以下源自提议的量子比特分配的并行 CNOT 门调度：
[插入门调度/时间安排]
考虑到具有频率拥挤问题的标准超导架构，识别可能发生驱动脉冲干扰的潜在串扰冲突。建议对比特分配或调度进行修改，以减轻这些旁观量子比特 (Spectator Qubit) 的相互作用。
收益： 主动识别并行操作引起的误差向量，从而实现更简洁的电路执行策略。
5. 优化量子纠错 (QEC) 的辅助比特分配
最佳适用：DeepSeek（算法逻辑能力强）。
对于从事量子纠错 (QEC) 的研究人员来说，在点阵上分配数据比特与辅助比特对于校验子提取至关重要。
我正在网格点阵上实现 [插入代码类型，例如表面码 d=3]。
生成一个区分数据比特和测量（辅助）比特的布局计划。目标是在遵守最近邻连接的同时，最大化稳定器测量（X 和 Z 检查）的效率。以坐标网格列表形式输出布局，并验证必要的 4 体检查在几何上是否可行。
收益： 确保您的纠错码在几何上与硬件兼容，防止出现无法实现的布线场景。
6. 分配启发式算法的文献综述
最佳适用：Gemini（连接至 Google 搜索索引，方便检索方法论）。
无需在 arXiv 上耗费数小时即可掌握最新的分配算法。
总结过去 12 个月内前 3 篇量子电路映射论文中使用的关键方法论。
特别关注利用强化学习 (RL) 进行量子比特分配和路由的方法。将它们报告的电路深度减少改进与标准的 SABRE 交换策略进行比较。
收益： 快速合成当前的最新方法，使您能够根据该领域的最佳水平对自己的研究进行基准测试。
7. VQE 拟设（Ansatz）参数缩减
最佳适用：Claude（擅长理论讨论和简化）。
量子比特分配会影响变分量子本征求解器 (VQE) 的收敛。此提示词根据可用的硬件纠缠优化拟设。
我正在运行用于 [分子名称] 分子模拟的 VQE 算法。我目前的硬件高效拟设 (Hardware-Efficient Ansatz) 需要高连通性。
鉴于线性拓扑限制，建议一个修改后的拟设结构（参数化电路），在保持足够的表达能力以达到化学精度的同时，减少所需的 SWAP 开销。解释您在纠缠深度和连通性之间所做的权衡。
收益： 使理论算法适应实际硬件现实，增加 VQE 收敛的概率。
8. 调试编译后的 QASM 输出
最佳适用：ChatGPT（在代码解析和调试方面效率高）。
有时编译器会引入不必要的开销。此提示词可作为一致性检查。
分析以下两个 QASM 片段。
片段 A 是原始逻辑电路。
片段 B 是针对特定后端的编译后电路。
[插入片段 A]
[插入片段 B]
识别编译器是否引入了冗余的 SWAP-unSWAP 序列或低效的门抵消。突出显示片段 B 中可以手动优化或删除的具体行。
收益： 作为编译电路的“第二双眼睛”，发现自动化 pass 可能会遗漏的效率低下之处。
9. 为基于强化学习的映射设计奖励函数
最佳适用：DeepSeek（擅长数学公式制定）。
如果您正在训练强化学习代理来解决量子比特分配问题，奖励函数就是一切。
我正在构建一个深度强化学习 (DRL) 智能体来解决量子比特映射问题。
请帮我制定一个数学奖励函数 R。该函数必须平衡三个竞争目标：
1. 最小化总电路深度。
2. 最大化最终输出的保真度（使用简单的去极化模型）。
3. 最小化插入的 SWAP 门数量。
提供等式并为高噪声 NISQ 环境建议权重系数。
收益： 为量子控制中的机器学习实验提供数学上稳健的基础。
10. 拨款申请中的硬件机时理由
最佳适用：Claude（在说服性、专业写作方面表现出色）。
研究人员通常需要证明为什么他们需要访问高级、高连通性的 QPU。
为一份请求访问全连接或高连通性离子阱设备的拨款申请起草一段技术理由。
论证我对 [插入研究课题] 的研究无法在标准的超导平面架构上高效执行，原因是量子比特分配所需的 SWAP 开销过高。使用关于图连通性和误差传播的技术术语来加强论点。
收益： 阐明昂贵硬件资源的技术必要性，提高获得拨款或云信用额度批准的可能性。
专家提示：上下文
为了获得涉及特定电路的提示词的最佳效果，请使用 提示链（Prompt Chaining）。不要立即转储 1000 行的 QASM 文件。首先，让 AI “摄取并总结以下电路的结构”。一旦 AI 确认它理解了门分布和纠缠结构，再要求它优化分配。这就在 AI 尝试解决问题之前，建立了一个关于您特定问题的“认知状态”。
掌握量子比特分配既关乎理解硬件限制，也关乎算法设计。通过将这些 AI 提示词集成到您的工作流中，您可以从手动的电路博弈转向高级架构优化。不断迭代，不断测量，让 AI 处理组合复杂性。