論文の概要: Learning to Synthesize Fault-Tolerant Quantum Circuits by Diagonalization

• arxiv url: http://arxiv.org/abs/2409.00433v1
• Date: Sat, 31 Aug 2024 12:10:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 14:49:38.616913
• Title: Learning to Synthesize Fault-Tolerant Quantum Circuits by Diagonalization
• Title（参考訳）: 対角化によるフォールトトレラント量子回路の合成学習
• Authors: Mathias Weiden, Justin Kalloor, Ed Younis, John Kubiatowicz, Costin Iancu,
• Abstract要約: 探索に基づく手法と数学的分解を組み合わせれば、ユニタリの高精度な実装を効率的に見つけることができることを示す。 ベンチマークでは、量子シャノン分解(Quantum Shannon Decomposition)と比較して、平均94%の非クリフォードゲートを観測した。
• 参考スコア（独自算出の注目度）: 0.8341988468339112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compilation of quantum programs into circuits expressed with discrete gate sets is essential for fault-tolerant quantum computing. Optimal methods for discovering high-precision implementations of unitaries in discrete gate sets such as the Clifford+T gate set are intractable. Search-based synthesis methods, including Reinforcement Learning (RL) and simulated annealing, are promising as they empirically discover efficient implementations of low-depth unitaries. We leverage search-based methods to reduce the general unitary synthesis problem to one of synthesizing diagonal unitaries; a problem solvable efficiently in general and optimally in the single-qubit case. Relying on several improvements in deep learning architectures essential for quantum datasets, our RL-based approach demonstrates how search-based methods and mathematical decompositions can be combined to efficiently find high precision implementations of unitaries taken from an array of real quantum algorithms. On these benchmarks we observe up to an average of 94% fewer non-Clifford gates compared to the Quantum Shannon Decomposition.
• Abstract（参考訳）: 離散ゲートセットで表現される回路への量子プログラムのコンパイルは、フォールトトレラント量子コンピューティングにとって不可欠である。 クリフォード+Tゲートセットのような離散ゲート集合におけるユニタリの高精度実装を見つけるための最適手法は難解である。 Reinforcement Learning (RL) やsimulated annealingなど,探索に基づく合成手法は,低深度ユニタリの効率的な実装を実証的に発見する上で有望である。 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合成問題に還元する。 量子データセットに不可欠なディープラーニングアーキテクチャのいくつかの改善に基づき、我々のRLベースのアプローチは、探索に基づく手法と数学的分解を組み合わせることで、実際の量子アルゴリズムの配列から取られたユニタリの高精度実装を効率的に見つけることができることを示す。 これらのベンチマークでは、Quantum Shannon Decompositionと比較して、平均94%の非クリフォードゲートを観測した。

関連論文リスト

• Quantum Circuit Optimization with AlphaTensor [47.9303833600197]
  我々は,所定の回路を実装するために必要なTゲート数を最小化する手法であるAlphaTensor-Quantumを開発した。 Tカウント最適化の既存の方法とは異なり、AlphaTensor-Quantumは量子計算に関するドメイン固有の知識を取り入れ、ガジェットを活用することができる。 注目すべきは、有限体における乗法であるカラツバの手法に似た効率的なアルゴリズムを発見することである。
  論文  参考訳（メタデータ） (2024-02-22T09:20:54Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• 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)
• Ising formulation of integer optimization problems for utilizing quantum annealing in iterative improvement strategy [1.14219428942199]
  繰り返し改善戦略において量子アニーリングを利用するために,整数最適化問題のイジング定式化を提案する。 基底状態と候補解との重なりがしきい値を超えた場合, 完全に連結されたフェロポッツモデルに対して一階相転移を回避できることを解析的に示す。
  論文  参考訳（メタデータ） (2022-11-08T02:12:49Z)
• Iteration Complexity of Variational Quantum Algorithms [5.203200173190989]
  雑音は量子回路のバイアスによる目的関数の評価を行う。 我々は、欠落した保証を導き、収束率が影響を受けないことを見出す。
  論文  参考訳（メタデータ） (2022-09-21T19:18:41Z)
• Quantum Goemans-Williamson Algorithm with the Hadamard Test and Approximate Amplitude Constraints [62.72309460291971]
  本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。 補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。 各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-06-30T03:15:23Z)
• Gaussian Elimination versus Greedy Methods for the Synthesis of Linear Reversible Circuits [0.0]
  可逆回路は、量子コンピューティングに多くの応用がある可逆回路のサブクラスを表す。 ガウス除去アルゴリズムの最適化版と調整LU分解を用いて,任意の線形可逆作用素に対する新しいアルゴリズムを提案する。 全体として、我々のアルゴリズムは特定の問題サイズに対する最先端の手法を改善している。
  論文  参考訳（メタデータ） (2022-01-17T16:31:42Z)
• 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)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• 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。