Fugu-MT 論文翻訳(概要): Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning

論文の概要: Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning

arxiv url: http://arxiv.org/abs/2404.14865v3
Date: Fri, 17 May 2024 11:23:02 GMT
ステータス: 処理完了
システム内更新日: 2024-05-20 18:02:35.111065
Title: Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning
Title（参考訳）: 強化学習によるクリフォード+T回路の単元合成
Authors: Sebastian Rietsch, Abhishek Y. Dubey, Christian Ufrecht, Maniraman Periyasamy, Axel Plinge, Christopher Mutschler, Daniel D. Scherer,
Abstract要約: ユニタリ合成は、与えられたユニタリを表す量子回路を特定することを目的としている。木探索法 Gumbel AlphaZero を用いて、正確に合成可能な Clifford+T ユニタリの部分集合の問題を解く。我々の推定時間は、平均して1つのGPU上で30秒ほどで、より高い量子ビット数に対して最先端のアルゴリズムであるQuantumCircuitOptとMIN-T-SYNTHを上回ります。
参考スコア（独自算出の注目度）: 2.4646794072984477
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a deep reinforcement learning approach for synthesizing unitaries into quantum circuits. Unitary synthesis aims to identify a quantum circuit that represents a given unitary while minimizing circuit depth, total gate count, a specific gate count, or a combination of these factors. While past research has focused predominantly on continuous gate sets, synthesizing unitaries from the parameter-free Clifford+T gate set remains a challenge. Although the time complexity of this task will inevitably remain exponential in the number of qubits for general unitaries, reducing the runtime for simple problem instances still poses a significant challenge. In this study, we apply the tree-search method Gumbel AlphaZero to solve the problem for a subset of exactly synthesizable Clifford+T unitaries. Our approach can synthesize unitaries for up to five qubits generated from the set of randomized quantum circuits with up to 60 gates. Furthermore, our inference times are around 30 seconds on a single GPU on average, surpassing state-of-the-art algorithms QuantumCircuitOpt and MIN-T-SYNTH for higher qubit numbers. Our work provides a competitive baseline for synthesis algorithms to be developed in the upcoming years.
Abstract（参考訳）: 本稿では,量子回路にユニタリを合成する深層強化学習手法を提案する。ユニタリ合成は、回路深さ、総ゲート数、特定のゲート数、またはこれらの組み合わせを最小化しながら、与えられたユニタリを表す量子回路を特定することを目的としている。過去の研究は主に連続ゲート集合に焦点を当ててきたが、パラメータフリーなクリフォード+Tゲート集合からユニタリを合成することは依然として困難である。このタスクの時間的複雑さは、一般的なユニタリーのキュービット数では必然的に指数関数的であり続けるが、単純な問題インスタンスのランタイムを減らすことは、依然として大きな課題である。本研究では,木探索法であるGumbel AlphaZeroを用いて,正確に合成可能なClifford+Tユニタリの部分集合の問題を解く。提案手法では,最大60ゲートのランダム化量子回路の集合から最大5キュービットのユニタリを合成できる。さらに、我々の推論時間は、平均して1つのGPU上で30秒程度であり、より高い量子ビット数に対して、最先端のアルゴリズムであるQuantumCircuitOptとMIN-T-SYNTHを上回っている。我々の研究は、今後数年で開発される合成アルゴリズムの競争ベースラインを提供する。

関連論文リスト

High Precision Fault-Tolerant Quantum Circuit Synthesis by Diagonalization using Reinforcement Learning [0.8341988468339112]
経験的探索に基づく合成法は、より広範なユニタリの集合に対して優れた実装を生成することができる。探索に基づく手法を用いて、一般ユニタリ合成問題を対角ユニタリの1つに還元する。将来の長期的応用のためのアルゴリズムのサブセットでは、対角化はTゲートの数を最大16.8%減らすことができる。
論文参考訳（メタデータ） (2024-08-31T12:10:32Z)
Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。短絡の新規・ハードウェア対応回路の発見能力を示す。本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文参考訳（メタデータ） (2024-06-18T01:49:48Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Architecture-Aware Synthesis of Stabilizer Circuits from Clifford Tableaus [0.0]
我々は、合成量子回路におけるCNOTの数を減らし、コンパイルの分野やより正確には、合成に寄与する。本手法は,特定のハードウェアに対して実行した場合に,他の最先端合成技術よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-09-16T12:11:56Z)
Improving Quantum Circuit Synthesis with Machine Learning [0.7894596908025954]
機械学習をユニタリデータセットに適用することで、合成アルゴリズムの大幅な高速化が可能になることを示す。本稿では,学習モデルを用いたシード合成アルゴリズムQSeedについて述べる。
論文参考訳（メタデータ） (2023-06-09T01:53:56Z)
Depth-Optimal Synthesis of Clifford Circuits with SAT Solvers [4.208975913508643]
最適合成は、量子および古典的ハードウェア設計において中心的な問題である。エンタングリング入力刺激と安定化ホルマリズムを用いて、クリフォード合成問題をポリサイズ満足度問題の族に還元する。実験的な評価により、最適合成手法は、ランダムなクリフォード回路とグロバー探索のためのクリフォード+T回路に対して実質的な深さ改善をもたらすことが示された。
論文参考訳（メタデータ） (2023-05-02T18:00:00Z)
A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文参考訳（メタデータ） (2022-07-07T08:04:15Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
論文参考訳（メタデータ） (2021-08-06T19:38:01Z)
Empirical Evaluation of Circuit Approximations on Noisy Quantum Devices [0.0]
ノイズのある中間スケール量子(NISQ)デバイスは、今日の多くのゲートを持つディープ回路に十分な忠実度で出力を生成できない。本研究は,元となる参照回路に近似したユニタリ変換を持つマルチキュービットゲートの少ない短い回路を生成する手法を開発する。
論文参考訳（メタデータ） (2021-07-14T13:44:54Z)
A Generic Compilation Strategy for the Unitary Coupled Cluster Ansatz [68.8204255655161]
本稿では,変分量子固有解法(VQE)アルゴリズムのコンパイル戦略について述べる。我々は、回路深さとゲート数を減らすために、ユニタリ結合クラスタ(UCC)アンサッツを使用する。
論文参考訳（メタデータ） (2020-07-20T22:26:16Z)

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。