LIGHT / ARCTN LIGHT
VS Cotengra Auto
- 优化时间快 1.62×
- FLOPs低 61.32%
- 总写入元素数低 64.16%
- 最大中间张量低 59.39%
- 峰值存活元素低 61.30%
MODULE / 01 · TENSOR NETWORK
张量网络收缩序
优化
面向大规模量子线路模拟，以多链退火搜索更低开销的张量网络收缩路径，并通过 Rust 工程实现提升搜索与评估效率。
PATH SEARCHLOWER COST ↓
T₃探索
T₂交换
T₁收敛
BEST ORDER(A·B) · (C·D)
- 核心方法
- Parallel Tempering
- 计算对象
- Tensor Network
- 工程实现
- Rust Native
METHOD / 01
让多条搜索链
协同寻找更优路径
不同温度的搜索链承担探索与收敛任务，并周期性交换候选解。高温链帮助跳出局部最优，低温链保留更有价值的张量网络收缩序；Rust 实现用于承载高频候选评估和并行调度。
- 01构建张量网络
从量子线路得到张量及其指标连接关系。
- 02并行路径搜索
多条温度链独立扰动和评估候选张量网络收缩序。
- 03链间交换
按接受概率交换状态，扩大有效搜索范围。
- 04输出低开销序列
综合计算量与内存指标选择可执行方案。
RESULTS / 02 · PERFORMANCE OVERVIEW
ArcTN 优化性能总览
轻量优化场景比较 ArcTN Light 与 Cotengra Auto；深度优化场景比较 ArcTN Heavy 与 Cotengra AutoHQ、OMECO。图中优化时间与 log10 FLOPs 均越低越好。
Google TNCO SA 采用轻量级路径搜索，但所得收缩路径质量相对较低。在完整的 32 个测试电路上，其 FLOPs 几何平均值分别为 ArcTN Light 的 11.00× 和 ArcTN Heavy 的 15.05×；相较于 Google TNCO SA，ArcTN Light 与 ArcTN Heavy 的端到端加速比分别为 1.06× 和 1.25×。因此，后续对比图不再纳入 Google TNCO SA。
RESULTS / 03 · METRIC BREAKDOWN
ArcTN 张量网络收缩序优化
能力细览
实验从运算量、数据写入和中间态内存三个维度比较不同方法。图中横轴为相对本图最低值的倍数，数值越低越好。
HEAVY / ARCTN HEAVY
VS Cotengra AutoHQ
- 优化时间快 7.21×
- FLOPs低 43.83%
- 总写入元素数低 34.96%
- 最大中间张量低 39.85%
- 峰值存活元素低 38.81%
HEAVY / ARCTN HEAVY
VS OMECO
- 优化时间快 1.33×
- FLOPs低 11.85%
- 总写入元素数低 6.89%
- 最大中间张量低 16.88%
- 峰值存活元素低 18.72%
四项实验指标图表。
衡量完成收缩所需的浮点运算量。
反映收缩过程中累计产生的数据写入规模。
观察单个中间结果可能带来的内存压力。
衡量执行过程中同时驻留数据的峰值规模。
DETAILS / 04
ArcTN 具体电路
性能表现（Heavy）
深度优化场景逐条呈现不同规模与结构的测试电路，对比 ArcTN Heavy 与基线方法在收缩计算量和路径搜索时间上的表现，观察整体优势在具体电路上的稳定性。
轻量优化场景逐条呈现不同规模与结构的测试电路，对比 ArcTN Light 与 Cotengra Auto 在收缩计算量和路径搜索时间上的表现，检验有限搜索预算下的优化效率。
HEAVY · 结果质量 在不同线路规模和结构下比较各方法得到的收缩计算量。
HEAVY · 搜索成本 对比生成张量网络收缩序所需时间，补充衡量方法的实际可用性。
LIGHT · 结果质量 在不同线路规模和结构下比较各方法得到的收缩计算量。
LIGHT · 搜索成本 对比生成张量网络收缩序所需时间，补充衡量方法的实际可用性。
REPRODUCIBILITY / 05