論文の概要: High Precision Fault-Tolerant Quantum Circuit Synthesis by Diagonalization using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2409.00433v2
• Date: Tue, 22 Oct 2024 03:32:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 03:46:24.996652
• Title: High Precision Fault-Tolerant Quantum Circuit Synthesis by Diagonalization using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた対角化による高精度フォールトトレラント量子回路合成
• Authors: Mathias Weiden, Justin Kalloor, Ed Younis, John Kubiatowicz, Costin Iancu,
• Abstract要約: 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。
• 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: Resource efficient and high precision compilation of programs into quantum circuits expressed in Fault-Tolerant gate sets, such as the Clifford+T gate set, is vital for the success of quantum computing. Optimal analytical compilation methods are known for restricted classes of unitaries, otherwise the problem is intractable. Empirical search-based synthesis methods, including Reinforcement Learning and simulated annealing, can generate good implementations for a more extensive set of unitaries, but require trade-offs in approximation precision and resource use. 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. We demonstrate how our approach improves the implementation precision attainable by Fault-Tolerant synthesis algorithms on an array of unitaries taken from real quantum algorithms. On these benchmarks, many of which cannot be handled by existing approaches, we observe an average of 95% fewer resource-intensive non-Clifford gates compared to the more general Quantum Shannon Decomposition. On a subset of algorithms of interest for future term applications, diagonalization can reduce T gate counts by up to 16.8% compared to other methods.
• Abstract（参考訳）: クリフォード+Tゲートセットのようなフォールトトレラントゲートセットで表される量子回路へのプログラムの資源効率が高く高精度なコンパイルは、量子コンピューティングの成功に不可欠である。 最適な解析的コンパイル法は、制限されたユニタリのクラスで知られており、そうでなければ問題は難解である。 強化学習(Reinforcement Learning)やシミュレート・アニーリング(simulated annealing)を含む経験的検索に基づく合成手法は、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が、近似精度と資源利用のトレードオフを必要とする。 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。 本稿では,実量子アルゴリズムから抽出したユニタリの配列上で,フォールトトレラント合成アルゴリズムにより実現可能な実装精度をいかに向上するかを示す。 これらのベンチマークでは、その多くは既存のアプローチでは処理できないが、より一般的な量子シャノン分解と比較して、リソース集約的な非クリフォードゲートの平均は95%少ない。 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、対角化は他の方法と比較して最大で16.8%のTゲート数を減少させることができる。

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。