論文の概要: Scaling the Automated Discovery of Quantum Circuits via Reinforcement Learning with Gadgets
- arxiv url: http://arxiv.org/abs/2503.11638v1
- Date: Fri, 14 Mar 2025 17:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:06:39.434422
- Title: Scaling the Automated Discovery of Quantum Circuits via Reinforcement Learning with Gadgets
- Title（参考訳）: ガジェットによる強化学習による量子回路の自動発見のスケーリング
- Authors: Jan Olle, Oleg M. Yevtushenko, Florian Marquardt,
- Abstract要約: 強化学習(Reinforcement Learning, RL)は、量子回路を設計するための強力なツールである。
本稿では,複合ゲートの体系的発見と導入に基づく原則的アプローチを提案する。
我々は、標準のCNOTゲートとアダマールゲートに加えて、複合クリフォードゲートの形でガジェットを組み込むことで、RLエージェントの効率を大幅に向上することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Reinforcement Learning (RL) has established itself as a powerful tool for designing quantum circuits, which are essential for processing quantum information. RL applications have typically focused on circuits of small to intermediate complexity, as computation times tend to increase exponentially with growing circuit complexity. This computational explosion severely limits the scalability of RL and casts significant doubt on its broader applicability. In this paper, we propose a principled approach based on the systematic discovery and introduction of composite gates -- {\it gadgets}, that enables RL scalability, thereby expanding its potential applications. As a case study, we explore the discovery of Clifford encoders for Quantum Error Correction. We demonstrate that incorporating gadgets in the form of composite Clifford gates, in addition to standard CNOT and Hadamard gates, significantly enhances the efficiency of RL agents. Specifically, the computation speed increases (by one or even two orders of magnitude), enabling RL to discover highly complex quantum codes without previous knowledge. We illustrate this advancement with examples of QEC code discovery with parameters $ [[n,1,d]] $ for $ d \leq 7 $ and $ [[n,k,6]] $ for $ k \leq 7 $. We note that the most complicated circuits of these classes were not previously found. We highlight the advantages and limitations of the gadget-based approach. Our method paves the way for scaling the RL-based automatic discovery of complicated quantum circuits for various tasks, which may include designing logical operations between logical qubits or discovering quantum algorithms.
- Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、量子情報処理に不可欠な量子回路を設計するための強力なツールである。
RLアプリケーションは一般に、回路の複雑さの増加とともに計算時間が指数関数的に増加する傾向があるため、小さくて中間的な複雑性の回路に焦点を当てている。
この計算爆発はRLのスケーラビリティを著しく制限し、その適用性に大きな疑問を呈する。
本稿では、RLのスケーラビリティを実現するための複合ゲートの体系的発見と導入に基づく原則的アプローチを提案する。
ケーススタディとして、量子エラー補正のためのクリフォードエンコーダの発見について検討する。
我々は、標準のCNOTゲートとアダマールゲートに加えて、複合クリフォードゲートの形でガジェットを組み込むことで、RLエージェントの効率を大幅に向上することを示した。
具体的には、計算速度は1桁か2桁に向上し、RLは以前の知識なしに非常に複雑な量子符号を発見できる。
パラメータ $[[n,1,d]] $ for $ d \leq 7 $ and $ [[n,k,6]] $ for $ k \leq 7 $。
これらのクラスの最も複雑な回路は以前には見つからなかった。
ガジェットベースのアプローチの利点と限界を強調します。
提案手法は, 論理量子ビット間の論理演算の設計や量子アルゴリズムの発見を含む, 複雑な量子回路の自動発見をRLベースで拡張する手法である。
関連論文リスト
- Efficient Quantum Circuit Compilation for Near-Term Quantum Advantage [17.38734393793605]
本稿では,ターゲット量子回路をレンガ壁配置に近似的にコンパイルする手法を提案する。
この新しい回路設計は、実際の量子コンピュータで直接実装できる2量子CNOTゲートで構成されている。
論文 参考訳（メタデータ） (2025-01-13T15:04:39Z) - From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。
本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。
GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
論文 参考訳（メタデータ） (2024-10-31T22:02:32Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - 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) - Simultaneous Discovery of Quantum Error Correction Codes and Encoders with a Noise-Aware Reinforcement Learning Agent [0.0]
本研究は,QECコード発見における強化学習の能力を大幅に拡張するものである。
本稿では,所定のゲートセットに対して,QEC符号と符号化回路の両方を自動的に検出するRLエージェントを訓練する。
本稿では,様々なノイズモデルのための符号化戦略を同時に生成することを学ぶ,ノイズ対応メタエージェントの概念を紹介する。
論文 参考訳（メタデータ） (2023-11-08T15:19:16Z) - 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) - 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) - Scalable algorithm simplification using quantum AND logic [18.750481652943005]
我々は、コストを削減し、キー量子回路の実行を可能にする AND 論理の量子バージョンを実装している。
高温超伝導量子プロセッサにおいて,最大8キュービットの高密度一般化トフォリゲートとGroverの探索アルゴリズムを64エントリの探索空間で低深度合成する。
論文 参考訳（メタデータ） (2021-12-30T04:25:39Z) - Quantum Architecture Search via Continual Reinforcement Learning [0.0]
本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。
本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
論文 参考訳（メタデータ） (2021-12-10T19:07:56Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z)
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。