本文提出 BPBO（Blindness-Preserving Brickwork Optimization）方法，旨在优化通用盲量子计算（UBQC）中的砖墙图模式，同时保持客户计算的盲性。UBQC 使用 BFK09 砖墙图，其结构独立于计算，计算通过测量角度编码，限制了基于图变换的优化。BPBO 在盲层之下进行认证的局部重综合，检测一、二、三线区域，对每个候选区域要么证明语义下界，要么提供可执行证据，并在检查分支帧、输出帧和盲行为后接受替换。优化后的输出仍是标准砖墙模式，并使用逻辑量子比特复用的 UBQC 执行栈运行任意长度模式（使用 n×2 个活动逻辑量子比特）。层证据包括：一线 H 计数下界、二线 CNOT 代价下界、三线奇偶账本下界、干净的三单元 CCZ 证据（其最优性限于 CNOT+T 相位门系列）、以及端点目标三单元 CCX/Toffoli 应用证据；固定中间目标 CCX 情况保留为四单元后备。安全方面，BPBO 保持 UBQC 的盲性，并与原有验证保证兼容。在 Bell/CX、Grover-2、端点 Toffoli 和 Grover-3 评估案例中，BPBO 展示了认证局部缩减；最大案例 Grover-3 中，模式从 3×725 缩减至 3×98，同时保持预期标记态统计量。

全同态加密（FHE）在规模化部署中面临巨大的计算开销。虽然专用硬件加速器（如Google TPU）可以提供帮助，但将复杂的密码学内核映射到此类架构上仍然具有挑战性。高效执行需要对基于脉动阵列的矩阵乘法单元（MXU）和向量处理单元（VPU）进行协同优化，并精心协调向量寄存器文件间的数据移动。现有编译器栈往往抽象了底层硬件利用率，迫使开发者采用手动试错过程，导致执行碎片化和资源未充分利用。为了加速这一开发过程，本文使用AlphaEvolve来自动探索硬件感知的密码学内核优化。作者将优化问题形式化为一个进化搜索问题，利用AlphaEvolve提供的闭环系统，该系统结合了LLM驱动的代码生成。他们利用来自硬件执行的真实反馈和严格的正确性测试来指导进化过程。在Google Cloud TPUv5e上，针对TFHE（Jaxite）和CKKS（CROSS）两种FHE方案的原语进行评估，AlphaEvolve在24小时的自动探索中，发现了实现级别的优化，使TFHE引导程序延迟相比人工设计的最先进方案提升了2.5倍，CKKS旋转和乘法延迟分别提升了1.31倍和1.18倍。这些结果表明，AlphaEvolve能够帮助研究人员在密码学、编译器和硬件加速器之间进行优化权衡。