ZX 微积分是一套描述量子线路的图形演算：把线路翻译成”蜘蛛（spider）图”，再用一族重写规则把图化简，最后译回去。算术线路上的重写是有效的，因为加法器的进位链、乘法器的受控加法阵列在图上都有可识别的模式。Joshi 等用它压缩容错乘法器的辅助比特与 T 门数。但必须先说清一件事：这是”用 ZX 重写规则做线路优化”，不是”模算术的反向传播”——后者本轮未定位到专门的方法论文。
一、ZX 图是什么
ZX 微积分用两类”蜘蛛”作为基本图元：Z 蜘蛛（画成带 Z 的圆）与 X 蜘蛛（画成带 X 的圆），通过边连接。量子线路的每个门都能翻译成图，一些门的组合会得到”纯”的形式（例如若干只含 Z 蜘蛛的图等价于一个纯 Z 态，X 蜘蛛同理）。化的目标是让图尽可能”纯”，因为纯图可以直接映回简短的线路。
重写规则是一组保持线路等价但改变表示的变换，典型的是蜘蛛融合（相邻同类蜘蛛合并）、Hadamard 边替换（Z 与 X 蜘蛛互换）以及一些特定等式。
图里第二步的”规则集决定能得到什么”是理解这条路线的关键：ZX 重写是一种局部化简，它找到的是规则可及范围内的改进，不是全局最优。
二、已核实的成果：容错乘法器的重写
Joshi 等的工作是本卷能引到的、关于 ZX 用于算术线路优化的直接文献。他们的表述是：用 ZX 微积分的重写规则优化量子算术算法以减少硬件资源与量子比特数，并在容错量子乘法器线路上取得辅助比特与 T 门数量相对原需求的显著下降；作者自述这是”用图形重写工具做算术线路优化的第一步”。
需要如实补充两点：
- 他们的摘要与底稿都没有给出与 Karatsuba 等具体算法的并置绝对值对比——“显著下降”是相对其自身基线而言。因此不能把它与其他论文的绝对 T 数并置。
- 这一条路线是在图层面做优化，与算法层面的就地优化（改变中间结果的处置方式）是互补的两条路径，不是竞争关系。
三、“模算术反向传播”：本轮未定位到专门来源
主题边界（重要）
“模算术反向传播”是一个容易与 ZX 路线混淆的说法，但两者不是一回事：
说法 含义 本轮核实情况 ZX 微积分做线路优化 把线路转成图，用重写规则化简，再译回线路；目标是更少 ancilla 与 T 门 有文献：[[sources/QM013 模算术反向传播 若指”沿模算术运算链反向传播梯度/信号”，那是完全不同的数学对象 未定位到专门文献 本词条只讲前者。不因为话题相邻就把后者挂在 ZX 的引用下。
这个区分不是吹毛求疵。ZX 图上的”重写”是一种表示层面的等价变换，它没有任何梯度、没有任何优化问题被求解；而”反向传播”这个词在机器学习语境里带有特定含义。如果有人声称用 ZX 做模算术的反向传播，那要么是对 ZX 重写的误称，要么指的是本轮未核实到的另一条工作。
四、相邻但不同：自动优化发现 Karatsuba
与 ZX 路线平行但方法论不同的是 AlphaTensor-Quantum。Ruiz 等把 T 数优化与张量分解联系起来，用深度强化学习求解。其结果里有一条对本卷特别相关：它自动发现了有限域乘法中类 Karatsuba 的高效算法。此外它在 Shor 相关的算术计算与量子化学模拟中都找到了与人工设计最好的方案。
这条结果的意义有两层。第一，它说明 Karatsuba 的恒等式在优化器眼里是”值得重新发现的解”——一个有搜索能力的方法会收敛到它，说明这个解在那个目标下足够好。第二，它也暴露了自动优化路线的限制：优化器的输出未必保持人类可解释性，所以产物往往难以直接作为设计依据，而更像是”提示这里存在更好的结构”。
三条路线作用在不同层面：算法层改变算法的数据组织，图层改变同一算法的图表示，搜索层甚至不需要你事先选定算法。它们的成本也都不同——前两者给出可解释的线路，第三者给出难以解释但可能更省的方案。
五、诚实的空白清单
| 方向 | 本轮核实结果 |
|---|---|
| ZX 重写优化容错算术线路 | 有：[[sources/QM013 |
| T 数自动优化（强化学习 + 张量分解） | 有：[[sources/QM014 |
| 模算术反向传播（作为专门方法论） | 未定位到专门文献 |
| ZX 反向传播用于模算术 | 未找到来源 |
后两行是本轮调研明确记录的缺口。需要引用时请自行核实，不要拿 ZX 优化文献顶替。
论文依据
- Joshi 等（2023） —— 用 ZX 微积分的重写规则优化量子算术算法，在容错量子乘法器线路上实现辅助比特与 T 门数量的显著下降；作者自述为图形重写做算术线路优化的第一步。
- Ruiz 等（2024） —— AlphaTensor-Quantum：深度强化学习 + 张量分解做 T 数优化，可利用领域知识与 gadget；在算术基准上优于既有方法，自动发现有限域乘法中类 Karatsuba 的高效算法，并找到 Shor 相关算术与量子化学模拟中最优的人工方案。
- Gidney（2019） —— 算法层面的对照：让递归调用直接累加进输出子区间，把空间从 降到 ，保持 门复杂度；与 ZX 图层优化作用在不同层面。
未核实项
“模算术反向传播”作为专门方法论未定位到文献；ZX 反向传播用于模算术也未找到来源。本词条按纪律不引用、不转述，并明确把它与 Joshi 等（2023）ZX 线路优化 的 ZX 线路优化区分开。
延伸阅读
- in-place-multiplication —— 算法层面的同一条优化轴。
- multiplication-resource-comparison —— 三条路线各自的成本怎么对齐。
- gate-cost-models —— T 数与辅助比特为什么是两种资源。