論文の概要: AltGraph: Redesigning Quantum Circuits Using Generative Graph Models for Efficient Optimization
- arxiv url: http://arxiv.org/abs/2403.12979v2
- Date: Thu, 21 Mar 2024 18:52:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 21:31:40.903847
- Title: AltGraph: Redesigning Quantum Circuits Using Generative Graph Models for Efficient Optimization
- Title（参考訳）: AltGraph:効率的な最適化のための生成グラフモデルを用いた量子回路の再設計
- Authors: Collin Beaudoin, Koustubh Phalak, Swaroop Ghosh,
- Abstract要約: AltGraphはサーチベースのサーキットトランスフォーメーションアプローチである。
既存の生成グラフモデルを用いて等価量子回路を生成する。
ゲート数の平均は37.55%減少し、回路深度は37.75%減少する。
- 参考スコア（独自算出の注目度）: 2.089191490381739
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum circuit transformation aims to produce equivalent circuits while optimizing for various aspects such as circuit depth, gate count, and compatibility with modern Noisy Intermediate Scale Quantum (NISQ) devices. There are two techniques for circuit transformation. The first is a rule-based approach that greedily cancels out pairs of gates that equate to the identity unitary operation. Rule-based approaches are used in quantum compilers such as Qiskit, tket, and Quilc. The second is a search-based approach that tries to find an equivalent quantum circuit by exploring the quantum circuits search space. Search-based approaches typically rely on machine learning techniques such as generative models and Reinforcement Learning (RL). In this work, we propose AltGraph, a novel search-based circuit transformation approach that generates equivalent quantum circuits using existing generative graph models. We use three main graph models: DAG Variational Autoencoder (D-VAE) with two variants: Gated Recurrent Unit (GRU) and Graph Convolutional Network (GCN), and Deep Generative Model for Graphs (DeepGMG) that take a Direct Acyclic Graph (DAG) of the quantum circuit as input and output a new DAG from which we reconstruct the equivalent quantum circuit. Next, we perturb the latent space to generate equivalent quantum circuits some of which may be more compatible with the hardware coupling map and/or enable better optimization leading to reduced gate count and circuit depth. AltGraph achieves on average a 37.55% reduction in the number of gates and a 37.75% reduction in the circuit depth post-transpiling compared to the original transpiled circuit with only 0.0074 Mean Squared Error (MSE) in the density matrix.
- Abstract（参考訳）: 量子回路変換は、回路深さ、ゲート数、現代のノイズ中間スケール量子(NISQ)デバイスとの互換性などの様々な側面を最適化しながら、等価な回路を生成することを目的としている。
回路変換には2つの技法がある。
ひとつはルールベースのアプローチで、IDのユニタリ操作に匹敵するゲートのペアを鮮やかにキャンセルする。
ルールベースのアプローチは、Qiskit、tket、Quilcといった量子コンパイラで使用される。
2つ目は、量子回路探索空間を探索することで等価な量子回路を見つけようとする探索に基づくアプローチである。
検索ベースのアプローチは一般的に、生成モデルや強化学習(RL)のような機械学習技術に依存する。
本研究では,既存の生成グラフモデルを用いて等価な量子回路を生成する検索ベースの新しい回路変換手法AltGraphを提案する。
DAG変動オートエンコーダ(D-VAE)とGRU(Gated Recurrent Unit)とGCN(Graph Convolutional Network)の2つの変種と、量子回路の直接巡回グラフ(DAG)を入力として出力するDeepGMG(Deep Generative Model for Graphs)の3つの主要なグラフモデルを用いて、等価な量子回路を再構成する。
次に、等価量子回路を生成するために遅延空間を摂動させ、そのいくつかはハードウェア結合マップとより互換性があり、/またはより優れた最適化が可能となり、ゲート数と回路深さが減少する。
AltGraphは、密度行列で0.0074 Mean Squared Error (MSE)しか持たない元のトランスパイル回路と比較して、ゲート数の平均37.55%の削減と回路深さの37.75%の削減を実現している。
関連論文リスト
- A two-circuit approach to reducing quantum resources for the quantum lattice Boltzmann method [41.66129197681683]
CFD問題を解決するための現在の量子アルゴリズムは、単一の量子回路と、場合によっては格子ベースの方法を用いる。
量子格子ボルツマン法(QLBM)を用いた新しい多重回路アルゴリズムを提案する。
この問題は2次元ナビエ・ストークス方程式の流動関数-渦性定式化として鋳造され、2次元蓋駆動キャビティフローで検証および試験された。
論文 参考訳（メタデータ） (2024-01-20T15:32:01Z) - Quantum circuit synthesis via a random combinatorial search [0.0]
我々はランダムな探索手法を用いて、完全な量子状態準備や任意のターゲットを持つユニタリ演算子合成を実装した量子ゲート列を求める。
完全忠実度量子回路の分数は、回路サイズが単位忠実度を達成するために必要な最小回路サイズを超えると、急速に増加することを示す。
論文 参考訳（メタデータ） (2023-11-29T00:59:29Z) - CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。
オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。
我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文 参考訳（メタデータ） (2023-08-31T02:20:25Z) - 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) - Quantum Fourier Addition, Simplified to Toffoli Addition [92.18777020401484]
本稿では,QFT付加回路をToffoliベースの加算器に初めて体系的に変換する。
QFT回路からゲートを近似分解する代わりに、ゲートをマージする方が効率的である。
論文 参考訳（メタデータ） (2022-09-30T02:36:42Z) - Applications of Universal Parity Quantum Computation [0.0]
標準ゲートモデルの双対であるパリティ符号化におけるユニバーサルゲートセットの適用性を示す。
これらのアルゴリズムをパリティ符号化に埋め込むことで、従来のゲートベースの実装と比較して回路の深さが減少する。
コーデックに適したマルチキュービットゲートの簡単な実装とグラフ状態作成のための効率的な戦略を提案する。
論文 参考訳（メタデータ） (2022-05-19T12:31:46Z) - Quantum Gate Pattern Recognition and Circuit Optimization for Scientific
Applications [1.6329956884407544]
回路最適化のための2つのアイデアを導入し、AQCELと呼ばれる多層量子回路最適化プロトコルに組み合わせる。
AQCELは、高エネルギー物理学における最終状態の放射をモデル化するために設計された反復的で効率的な量子アルゴリズム上に展開される。
我々の手法は汎用的であり、様々な量子アルゴリズムに有用である。
論文 参考訳（メタデータ） (2021-02-19T16:20:31Z) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳（メタデータ） (2020-07-29T05:26:19Z) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳（メタデータ） (2020-07-21T15:36:25Z) - MoG-VQE: Multiobjective genetic variational quantum eigensolver [0.0]
変分量子固有解法 (VQE) は、近距離量子コンピュータのための最初の実用的なアルゴリズムとして登場した。
本稿では,低深度と精度の向上を両立させる手法を提案する。
2ビットゲート数の10倍近く削減されるのを、標準のハードウェア効率のアンサッツと比較して観察する。
論文 参考訳（メタデータ） (2020-07-08T20:44:50Z) - Improving the Performance of Deep Quantum Optimization Algorithms with
Continuous Gate Sets [47.00474212574662]
変分量子アルゴリズムは計算的に難しい問題を解くのに有望であると考えられている。
本稿では,QAOAの回路深度依存性能について実験的に検討する。
この結果から, 連続ゲートセットの使用は, 短期量子コンピュータの影響を拡大する上で重要な要素である可能性が示唆された。
論文 参考訳（メタデータ） (2020-05-11T17:20:51Z)
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。