3. 常见量子算法电路结构剖析
要优化量子电路，第一步不是急着做门合并或重写，而是先看清不同算法在结构上"贵"在哪里。Grover、Shor、QAOA 和量子傅里叶变换（QFT）这四类电路，恰好代表了四种截然不同的资源消耗模式：迭代放大型、模幂周期型、变分浅层型和全局纠缠型。本节逐一拆解它们的骨架，并指出深度与门数的主要来源，为后续优化建立明确的"打击对象"。
Grover：深度随迭代次数线性增长，门数被 Oracle 主导
Grover 搜索的电路由三部分组成：制备均匀叠加态（一层 Hadamard）、重复若干次的 Grover 迭代、以及最终测量。每次迭代内部是"Oracle 标记 + 扩散算子"两段。扩散算子结构固定，代价约为一次多控 Z 加两侧 Hadamard，门数随量子比特数 n 近似线性；真正的大头是 Oracle——它需要识别目标态，通常实现为一个多控门或一段布尔逻辑网络，其门数往往随 n 多项式甚至指数增长，取决于问题编码方式。
深度方面，若最优解比例为 1/N，迭代次数约为 (π/4)√N，因此总深度 ≈ 迭代次数 × 单次迭代深度，随 √N 增长。这意味着 Grover 的优化重点非常明确：压缩 Oracle 的每轮代价，或通过无辅助比特的分解减少多控门层数。举例来说，n=10 时理论迭代约 25 次，若单次迭代深度为 40 层，总深度就接近 1000 层，而其中扩散算子可能只占 3 层——瓶颈几乎全在 Oracle 上。
Shor：模幂是绝对主角，QFT 只是收尾
Shor 算法的电路可清晰分为三段：初始化与 Hadamard 层、受控模幂运算（模乘的级联）、以及逆 QFT 提取周期。很多人误以为 QFT 是难点，实际上受控模幂占据了绝大部分门数与深度。以分解 N 位整数为例，模幂需要约 2N 次模乘，每次模乘又由加法器、进位保存、模约减等子电路构成，门数可达 O(N³) 量级，深度也随 N 显著增长。
逆 QFT 本身结构规整，由 Hadamard 与受控相位门组成，门数 O(N²)，深度 O(N)，相对模幂小得多。因此 Shor 的优化对象是加法器架构（如 ripple-carry 与 carry-lookahead 的取舍）、模乘的复用策略，以及是否用半经典 QFT 把相位门替换为经典反馈测量以降低深度。这是一个典型的"局部结构决定全局代价"的案例。
QAOA：深度由层数 p 决定，门数由问题图密度决定
QAOA 的电路形态与前面两者完全不同：它没有长迭代，而是由 p 层"代价哈密顿量演化 + 混合哈密顿量演化"交替堆叠。每层代价演化对应问题图上的 ZZ 相互作用，门数正比于图的边数 |E|；混合层是单比特 RX 旋转，门数正比于顶点数。因此总门数 ≈ p × (c₁|E| + c₂n)，深度也随 p 线性增长。
QAOA 的瓶颈具有双重性：p 增大提升解质量但线性推高深度；问题图越稠密，ZZ 门越多。优化手段包括利用边着色把不相交的 ZZ 门并行化以压缩深度、把多个小角度旋转合并、以及在硬件连通性受限时用 SWAP 网络重映射——后者本身又会引入额外门数，需要在"并行度"与"路由开销"之间权衡。
QFT：结构规整但受控相位门密集
QFT 是四者中结构最规整的：对 n 个比特，依次做 Hadamard 与受控相位旋转，最后加一层比特反转（SWAP）。门数为 n(n+1)/2 量级，深度约 O(n)。它的瓶颈不在规模爆炸，而在受控相位门的小角度精度要求与相邻比特间的串行依赖：高精度相位门在容错架构下需要大量 T 门合成，实际代价远超符号层面的一个受控旋转。
因此 QFT 的优化常走两条路：一是近似 QFT，丢弃小于精度阈值的相位门，把门数从 O(n²) 降到 O(n log n)；二是半经典 QFT，用经典控制的前馈测量替代受控门，把量子深度压到 O(n) 但增加经典通信与重复次数。
把四类结构放在一起看：优化对象如何定位
从上面的结构拆解可以提炼出一条判断路径：先看电路是"迭代型"还是"单趟型"。Grover 与 Shor 属于迭代/级联型，深度由重复单元的次数乘以单元深度决定，优化应优先压缩重复单元本身（Oracle、模乘）；QAOA 与 QFT 属于单趟或浅层堆叠型，深度由层数或比特数直接决定，优化应优先做并行化、近似截断与门合成。
再看门数分布是否集中。若某一子电路占据 70% 以上门数（如 Shor 的模幂、Grover 的 Oracle），就应集中火力做局部重写；若门数分散（如 QAOA 的 ZZ 门遍布全图），则更适合用边着色、角度合并等全局调度手段。最后看是否存在"精度陷阱"：QFT 与 Shor 中的小角度受控相位门在容错场景下会被展开成大量 T 门，符号层面的门数会严重低估真实代价，必须把合成开销计入优化目标。
需要强调的是，本节给出的迭代次数、门数量级均为结构性估算，用于建立量级直觉，而非针对具体硬件或具体实例的实测结果。真正动手优化时，应以目标编译流程输出的实际门数与深度为准，并区分逻辑门层面与物理门层面的差异——后者往往才是深度瓶颈的真实所在。