把一条 CDKM 加法器丢给通用优化 pass，通常什么也不会发生。这不是工具不好，而是算术线路的局部结构已被手工榨干：进位链、MAJ/UMA 咬合、相对相位 Toffoli 的放置都是在线路设计层定下的，而通用 pass 看到的是它们被展平之后的结果。本词条先给四条可检验的论证，再给一张表说明四类方法各自在什么输入上有效。
流水线上的三层，只有第一层有自由度
一、分解层没有自由度。 “一个 Toffoli 记 7 个 T 门”是 Clifford+T 门集下的固定分解，不是可调参数。MAJ/UMA 模块一旦确定， 就随之确定。CNOT 消去、门合并这类 pass 改的是分解的排版，不是分解本身；要动分解就得改模块，而那是线路设计。
二、结构不变量挡在前面。 MAJ 链的正确性依赖”进位线被相邻两级读改写”，UMA 段的反计算依赖”辅助位用完必须回零”。通用 pass 不知道这些不变量：要么保守地什么都不做，要么在重排时破坏它们——而破坏不会报错，只会给出一条算错的线路。这是最坏的失败模式，也是”零收益”之所以安全的原因。
三、被优化的指标往往不是瓶颈。 资源账本的算例给了一组参数：线路侧约 s、工厂侧约 s。削减 CNOT 数的 pass 只动第一项，而它已比第二项小四个数量级；、、 全都不变，账本五项里四项不变。
四、收益本身缺少统一的度量。 MQT Bench 的问题陈述写得很直白：跨层级统一基准套件的需求尚未被满足，量子软件工具的评测方式迄今没有整合。于是”某工具把门数降了 “缺少共同口径——分子是 CNOT 还是 T？分母是分解前还是映射后？
结论的准确表述
“编译器对算术线路收益有限”有两重含义：真实收益小，以及报出来的收益不可信。前者由前三条支撑，后者由第四条支撑，不能混为一谈。
一条资源分配建议。 Stim 在距离 100 表面码线路（2 万物理比特、800 万门、100 万次测量）上 15 秒完成分析，算术线路规模远小于此。核对秒级且可复现，追逐几个百分点的编译收益则无保证、无法验证。先核对，再优化。
四类方法各自的适用条件
| 方法 | 作用的层面 | 真正有效的输入 | 白费力气的情况 |
|---|---|---|---|
| ZX 化简 | 图表示层：找规则可及的局部等价 | 图上能识别出模式的受控加法阵列、模归约中的受控旋转 | 已是手工构造的 MAJ/UMA 咬合，规则可达空间已遍历 |
| 模板重写 | 门序列层：小窗口内的等价替换 | 尚未展开的高层门（多控门、可逆加法子电路） | 已分解到 Toffoli 层之后——能匹配的模式就是”MAJ 的三步”，它已最优 |
| 催化式编译 | 编译期把可复用的非高斯配料提前制备 | 线路里反复调用同一个非高斯操作 | 算术线路的重复单元是进位传播，不是非高斯态制备 |
| 机器学习编译 | 搜索层：直接在 T 数等资源目标上搜索 | 搜索空间大到人工枚举不完，且目标分布与训练分布一致 | 输入是模板库里的算术骨架，空间已被榨干 |
名字消歧
第三行的”催化”指编译期催化（把重复使用的非高斯操作提前制备成配料），与连续变量卷的猫态催化（CV 架构下的光子催化）不是一回事。同名不同物，不要互相顶替引用。ZX 化简与机器学习编译的已核实结果见ZX 微积分与线路优化，本词条不重复引用。
一张”该不该动手”的判据表
| 现状 | 该做什么 | 不该做什么 |
|---|---|---|
| 门数与论文手推的对不上 | 导出 IR 逐门核对 | 直接采信或否认论文数字 |
| 只报了 CNOT 数 | 补报 与相对相位门比例 | 继续在 CNOT 数上优化 |
| 机器生成、含未展开多控门 | 先综合再统计 | 把未展开的门数当账本 |
| 线路已手工优化到 MAJ/UMA 级 | 只做核对与正确性验证 | 期待通用 pass 降本 |
| 目标是映射到硬件 | 做路由与调度 | 把 SWAP 数下降当成 下降 |
论文依据
- Quetschlich 等 2023，MQT Bench —— 问题陈述指出跨层级统一基准套件需求尚未被满足、量子软件工具的评测方式缺乏整合；这是第四条论证的事实依据。
- Steiger 等 2018，ProjectQ —— 把编译、优化、门综合与布局策略做成可插拔插件，说明 pass 作用的是编译器当前持有的门列表，而它看到的分解版本决定了 pass 的活动空间。
- Gidney 2021，Stim —— 15 秒完成距离 100 表面码线路（2 万物理比特、800 万门、100 万次测量）的分析，是”核对优先于优化”的规模依据。
- Fowler 等 2012，Surface codes —— 把逻辑比特的形成与搬移成本算在码距与排布上而非 CNOT 条数上；这解释了减少 Clifford 门的 pass 为何难以改变最终规模。
- Reinhold 等 2020，Error-corrected gates on an encoded qubit —— 非 Clifford 门的逻辑错误率改善来自对辅助位错误的实时探测与修正（逻辑门错误减半；能量弛豫增强下抑制六倍）。主要成本项在辅助位与探测机制上，不在门周围的 Clifford 序列上。
- Childs 与 van Dam 2010，Quantum algorithms for algebraic problems —— 以”有代数结构的量子问题”为线索的算法级综述，说明这类问题的账本按运算结构而非门序列列，降本杠杆在算法层。
延伸阅读
- 编译器工具链：从算术 IR 到硬件门集的各层，以及”跑一遍编译器”改动了什么
- 资源账本：第三条论证那组参数的来源
- T 数与深度：降低 的三条路各付什么
- ZX 微积分与线路优化：ZX 重写与强化学习搜索在算术线路上的已核实结果
- 猫态催化：与上表第三行同名但完全不同的那个”催化”