量子电路是实现量子算法的核心，而量子门必须是可逆的。许多量子算法依赖布尔函数，这些函数必须以可逆方式嵌入电路。可逆电路合成提供了将布尔函数转化为可逆电路的手段。二叉决策图（BDD）因其可扩展性而被广泛采用，但其生成的 BDD 与最终电路的规模高度依赖变量顺序。传统的顺序启发式通常以最小化 BDD 大小为目标，因为 BDD 大小与电路规模相关。然而，BDD 大小并不能准确预测合成电路的量子成本（QCC）。
我们提出了 QuantumEvo，一个演化框架，利用大语言模型（LLM）生成针对 QCC 的 BDD 变量顺序启发式。QuantumEvo 并不直接预测变量顺序，而是从多个启发式族中初始化候选启发式，并在搜索过程中对变量顺序进行操作，使用标准 BDD 操作实现。每个候选启发式的优劣由下游的 QCC 评估决定。最终发现的启发式 HGA‑QE 在遗传算法的 sifting 步骤中加入了 QCC 感知的调整，使得搜索过程更贴合量子成本。
在一套基准函数上，HGA‑QE 的表现为 70.9% 的函数实现了不劣于或优于每个函数的最佳基线，并在 13.5% 的函数上取得了严格意义上的最佳结果。尤其在来源于不同数据集的两套基准上，HGA‑QE 的相对优势更加明显，表明该方法具有良好的泛化能力。
点评：QuantumEvo 将 LLM 的生成能力与演化搜索相结合，突破了仅以 BDD 大小为代理的传统思路。通过让启发式直接面向量子成本进行优化，显著提升了可逆电路合成的实际效果，为后续在更大规模量子算法中的应用提供了可行路径。