論文の概要: Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures
- arxiv url: http://arxiv.org/abs/2406.11452v1
- Date: Mon, 17 Jun 2024 12:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 15:01:35.482308
- Title: Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures
- Title（参考訳）: モジュール量子アーキテクチャにおけるビット割り当てに対する注意に基づく深層強化学習
- Authors: Enrico Russo, Maurizio Palesi, Davide Patti, Giuseppe Ascia, Vincenzo Catania,
- Abstract要約: この研究は、効率的な量子回路のコンパイルとマッピングのための新しい学習ベースのアプローチを導入することにより、スケーラブルな量子コンピューティングシステムの進歩に寄与する。
本研究では,Deep Reinforcement Learning (DRL) 手法を応用して,特定のマルチコアアーキテクチャのための学習手法を提案する。
- 参考スコア（独自算出の注目度）: 1.8781124875646162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modular, distributed and multi-core architectures are currently considered a promising approach for scalability of quantum computing systems. The integration of multiple Quantum Processing Units necessitates classical and quantum-coherent communication, introducing challenges related to noise and quantum decoherence in quantum state transfers between cores. Optimizing communication becomes imperative, and the compilation and mapping of quantum circuits onto physical qubits must minimize state transfers while adhering to architectural constraints. The compilation process, inherently an NP-hard problem, demands extensive search times even with a small number of qubits to be solved to optimality. To address this challenge efficiently, we advocate for the utilization of heuristic mappers that can rapidly generate solutions. In this work, we propose a novel approach employing Deep Reinforcement Learning (DRL) methods to learn these heuristics for a specific multi-core architecture. Our DRL agent incorporates a Transformer encoder and Graph Neural Networks. It encodes quantum circuits using self-attention mechanisms and produce outputs through an attention-based pointer mechanism that directly signifies the probability of matching logical qubits with physical cores. This enables the selection of optimal cores for logical qubits efficiently. Experimental evaluations show that the proposed method can outperform baseline approaches in terms of reducing inter-core communications and minimizing online time-to-solution. This research contributes to the advancement of scalable quantum computing systems by introducing a novel learning-based heuristic approach for efficient quantum circuit compilation and mapping.
- Abstract（参考訳）: モジュールアーキテクチャ、分散アーキテクチャ、マルチコアアーキテクチャは現在、量子コンピューティングシステムのスケーラビリティのための有望なアプローチと考えられている。
複数の量子処理ユニットの統合は、古典的および量子コヒーレント通信を必要とし、コア間の量子状態移動におけるノイズと量子デコヒーレンスに関連する課題を導入する。
通信の最適化は必須となり、量子回路の物理量子ビットへのコンパイルとマッピングは、アーキテクチャ上の制約に固執しながら状態転送を最小限にしなければならない。
コンパイルプロセスは本質的にNPハードな問題であり、最適に解くために、少数の量子ビットでも広範囲の探索時間を必要とする。
この課題を効果的に解決するために,我々は,解を迅速に生成できるヒューリスティックマッパーの利用を提唱する。
そこで本研究では,Deep Reinforcement Learning(DRL)手法を用いて,特定のマルチコアアーキテクチャのヒューリスティックを学習する手法を提案する。
DRLエージェントにはTransformerエンコーダとGraph Neural Networksが組み込まれています。
自己アテンション機構を用いて量子回路を符号化し、物理コアと一致する論理量子ビットの確率を直接表すアテンションベースのポインタ機構を通じて出力を生成する。
これにより、論理量子ビットに対する最適コアの選択を効率的に行うことができる。
実験により, 提案手法は, コア間通信の低減, オンラインタイム・ツー・ソリューションの最小化という観点から, ベースライン手法より優れていることが示された。
本研究は、効率的な量子回路のコンパイルとマッピングのための学習に基づく新しいヒューリスティックアプローチを導入することにより、スケーラブルな量子コンピューティングシステムの進歩に寄与する。
関連論文リスト
- Benchmarking Emerging Cavity-Mediated Quantum Interconnect Technologies for Modular Quantum Computers [1.0653685964361501]
本研究は, キャビティを介する相互接続技術の比較分析を行った。
キャビティ, 原子崩壊速度, および効率しきい値を満たすクビット-キャビティ結合強度に関する構成を同定する。
論文 参考訳（メタデータ） (2024-07-22T14:11:20Z) - 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) - A Genetic Approach to Minimising Gate and Qubit Teleportations for Multi-Processor Quantum Circuit Distribution [6.207327488572861]
分散量子コンピューティング(DQC)は、複数の量子プロセッサユニット(QPU)を相互接続することで利用可能な量子計算をスケールする手段を提供する。
この領域における鍵となる課題は、量子回路からQPU内の物理量子ビットへ論理量子ビットを効率的に割り当てることである。
従来のアプローチでは、ゲートテレポーテーションの一種である非ローカルなCNOT操作の実行に必要なベルペアの数を減らそうとしていた。
本稿では,量子回路を実行するネットワークコストを最小化するメタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-09T16:03:41Z) - Revisiting the Mapping of Quantum Circuits: Entering the Multi-Core Era [2.465579331213113]
本稿では,コア間通信の削減を目的として,コアへのキュービット割り当てを最適化するために設計されたマルチコアマッピングアルゴリズムである,ハンガリークビット割り当て(HQA)アルゴリズムを紹介する。
モジュラーアーキテクチャの最先端回路マッピングアルゴリズムに対するHQAの評価では、実行時間と非ローカル通信の点で4.9times$と1.6times$の改善が示されている。
論文 参考訳（メタデータ） (2024-03-25T21:31:39Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Hungarian Qubit Assignment for Optimized Mapping of Quantum Circuits on
Multi-Core Architectures [1.1288814203214292]
量子コンピュータは、これらのクラスタ間のスペーサー接続を備えた密結合量子ビットのクラスタを特徴とするモジュラーアプローチを採用することが期待されている。
複数の処理コアにキュービットを効率よく分散させることは、量子コンピューティングシステムの性能とスケーラビリティを向上させる上で重要である。
ハンガリーのQubit Assignment(HQA)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-21T15:48:45Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Quantum Robustness Verification: A Hybrid Quantum-Classical Neural
Network Certification Algorithm [1.439946676159516]
本研究では、堅牢性多変数混合整数プログラム(MIP)の解法を含むReLUネットワークの検証について検討する。
この問題を軽減するために、ニューラルネットワーク検証にQCを用い、証明可能な証明書を計算するためのハイブリッド量子プロシージャを導入することを提案する。
シミュレーション環境では,我々の証明は健全であり,問題の近似に必要な最小量子ビット数に制限を与える。
論文 参考訳（メタデータ） (2022-05-02T13:23:56Z) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳（メタデータ） (2022-04-12T19:39:31Z) - Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。
量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。
我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
論文 参考訳（メタデータ） (2021-06-11T18:00:09Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳（メタデータ） (2020-09-15T18:17:27Z)
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。