論文の概要: Quarl: A Learning-Based Quantum Circuit Optimizer

• arxiv url: http://arxiv.org/abs/2307.10120v1
• Date: Mon, 17 Jul 2023 19:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 13:19:13.236966
• Title: Quarl: A Learning-Based Quantum Circuit Optimizer
• Title（参考訳）: Quarl: 学習型量子回路最適化器
• Authors: Zikun Li, Jinjun Peng, Yixuan Mei, Sina Lin, Yi Wu, Oded Padon, Zhihao Jia
• Abstract要約: 本稿では,学習型量子回路Quarlについて述べる。 量子回路最適化への強化学習の適用は、大きく変化するアクション空間と、一様でない状態表現という2つの大きな課題を提起する。
• 参考スコア（独自算出の注目度）: 8.994999903946848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing quantum circuits is challenging due to the very large search space of functionally equivalent circuits and the necessity of applying transformations that temporarily decrease performance to achieve a final performance improvement. This paper presents Quarl, a learning-based quantum circuit optimizer. Applying reinforcement learning (RL) to quantum circuit optimization raises two main challenges: the large and varying action space and the non-uniform state representation. Quarl addresses these issues with a novel neural architecture and RL-training procedure. Our neural architecture decomposes the action space into two parts and leverages graph neural networks in its state representation, both of which are guided by the intuition that optimization decisions can be mostly guided by local reasoning while allowing global circuit-wide reasoning. Our evaluation shows that Quarl significantly outperforms existing circuit optimizers on almost all benchmark circuits. Surprisingly, Quarl can learn to perform rotation merging, a complex, non-local circuit optimization implemented as a separate pass in existing optimizers.
• Abstract（参考訳）: 量子回路の最適化は、機能的に等価な回路の非常に大きな探索空間と、最終的な性能改善を達成するために一時的に性能を低下させる変換を適用する必要性のために困難である。 本稿では,学習型量子回路最適化器quarlを提案する。 量子回路最適化への強化学習(RL)の適用は、大きく変化するアクション空間と、一様でない状態表現という2つの大きな課題を提起する。 Quarlは、新しいニューラルアーキテクチャとRLトレーニング手順でこれらの問題に対処する。 我々のニューラルアーキテクチャは、アクション空間を2つの部分に分解し、その状態表現においてグラフニューラルネットワークを活用する。 評価の結果,Quarlの回路最適化性能は,ほぼすべてのベンチマーク回路で大幅に向上した。 驚くべきことに、Quarlは既存のオプティマイザの別パスとして実装された複雑で非局所的な回路最適化であるローテーションマージを実行することができる。

関連論文リスト

• Optimizing Quantum Circuits, Fast and Slow [7.543907169342984]
  本稿では,リライトと再合成を抽象回路変換として考えるための枠組みを提案する。 次に,量子回路を最適化するアルゴリズムGUOQを提案する。
  論文  参考訳（メタデータ） (2024-11-06T18:34:35Z)
• Curriculum reinforcement learning for quantum architecture search under hardware errors [1.583327010995414]
  本研究は、VQAデプロイメントにおける課題に対処するために設計されたカリキュラムベースの強化学習QAS(CRLQAS)を導入する。 このアルゴリズムは、(i)環境力学の3Dアーキテクチャを符号化し、回路の探索空間を効率的に探索する。 研究を容易にするため,雑音量子回路の計算効率を大幅に向上させる最適化シミュレータを開発した。
  論文  参考訳（メタデータ） (2024-02-05T20:33:00Z)
• Towards Faster Reinforcement Learning of Quantum Circuit Optimization: Exponential Reward Functions [55.616364225463066]
  量子回路の最適化のための強化学習は、報酬関数の値の最大化を目標とするエージェントを使用する。 本稿では,回路の構造特性に敏感な指数的報酬関数を提案する。
  論文  参考訳（メタデータ） (2023-11-21T10:33:26Z)
• Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits [55.616364225463066]
  強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。 私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。 本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-21T10:16:03Z)
• Quantum Circuit Unoptimization [0.6449786007855248]
  我々は、量子回路最適化と呼ばれる量子アルゴリズムプリミティブを構築する。 回路等価性を保ちながらいくつかの冗長性を導入することで、与えられた量子回路複合体を作る。 我々は、量子回路の最適化を用いて、コンパイラベンチマークを生成し、回路最適化性能を評価する。
  論文  参考訳（メタデータ） (2023-11-07T08:38:18Z)
• A Circuit Domain Generalization Framework for Efficient Logic Synthesis in Chip Design [92.63517027087933]
  論理合成(LS)の重要な課題は、回路を等価な機能を持つ単純化回路に変換することである。 この課題に対処するため、多くのLS演算子は、入力DAG上の各ノードに根付いたサブグラフに逐次変換を適用する。 本稿では,データ駆動型LS演算子のパラダイムであるPruneXを提案する。
  論文  参考訳（メタデータ） (2023-08-22T16:18:48Z)
• Optimizing Variational Circuits for Higher-Order Binary Optimization [2.578242050187029]
  本稿では,ハミルトニアンを2量子ゲートのみを含む実装可能な回路に符号化する新しい手法を提案する。 本手法は,回路深度の観点から明らかな利得を示すとともに,技術状況と比較することで評価する。
  論文  参考訳（メタデータ） (2023-07-31T15:27:06Z)
• Graph Neural Network Autoencoders for Efficient Quantum Circuit Optimisation [69.43216268165402]
  我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。 我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。 我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
  論文  参考訳（メタデータ） (2023-03-06T16:51:30Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。