論文の概要: Optimizing Quantum Circuits via ZX Diagrams using Reinforcement Learning and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2504.03429v1
• Date: Fri, 04 Apr 2025 13:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:48:59.309329
• Title: Optimizing Quantum Circuits via ZX Diagrams using Reinforcement Learning and Graph Neural Networks
• Title（参考訳）: 強化学習とグラフニューラルネットワークを用いたZX図による量子回路の最適化
• Authors: Alexander Mattick, Maniraman Periyasamy, Christian Ufrecht, Abhishek Y. Dubey, Christopher Mutschler, Axel Plinge, Daniel D. Scherer,
• Abstract要約: 量子回路最適化のためのZX計算,グラフニューラルネットワーク,強化学習に基づくフレームワークを提案する。 本手法は,強化学習と木探索を組み合わせることで,ZX計算の書き直し規則を最適に選択することの課題に対処する。 本稿では,多種多様なランダム回路上での最先端回路の一般化と能力について述べる。
• 参考スコア（独自算出の注目度）: 38.499527873574436
• License:
• Abstract: Quantum computing is currently strongly limited by the impact of noise, in particular introduced by the application of two-qubit gates. For this reason, reducing the number of two-qubit gates is of paramount importance on noisy intermediate-scale quantum hardware. To advance towards more reliable quantum computing, we introduce a framework based on ZX calculus, graph-neural networks and reinforcement learning for quantum circuit optimization. By combining reinforcement learning and tree search, our method addresses the challenge of selecting optimal sequences of ZX calculus rewrite rules. Instead of relying on existing heuristic rules for minimizing circuits, our method trains a novel reinforcement learning policy that directly operates on ZX-graphs, therefore allowing us to search through the space of all possible circuit transformations to find a circuit significantly minimizing the number of CNOT gates. This way we can scale beyond hard-coded rules towards discovering arbitrary optimization rules. We demonstrate our method's competetiveness with state-of-the-art circuit optimizers and generalization capabilities on large sets of diverse random circuits.
• Abstract（参考訳）: 現在、量子コンピューティングはノイズの影響によって強く制限されており、特に2量子ゲートの適用によって導入されている。 このため、2量子ゲートの数を減らすことは、ノイズの多い中間スケール量子ハードウェアにおいて最重要となる。 より信頼性の高い量子コンピューティングに向けて、ZX計算、グラフニューラルネットワーク、量子回路最適化のための強化学習に基づくフレームワークを導入する。 本手法は,強化学習と木探索を組み合わせることで,ZX計算の書き直し規則を最適に選択することの課題に対処する。 回路を最小化するための既存のヒューリスティックなルールに頼る代わりに、ZXグラフ上で直接動作する新しい強化学習ポリシーを訓練することにより、可能な回路変換の空間を探索し、CNOTゲートの数を大幅に最小化する回路を見つけることができる。 このように、任意の最適化ルールを見つけるために、ハードコードされたルールを超えてスケールできる。 本研究では,多種多様なランダム回路上での最先端回路オプティマイザと一般化能力を実証する。

関連論文リスト

• Optimization Driven Quantum Circuit Reduction [20.697821016522358]
  本稿では,回路長を大幅に削減する3つの異なるトランスパイレーション手法を提案する。 最初の変種は検索スキームに基づいており、他の変種はデータベース検索スキームと機械学習に基づく意思決定支援によって駆動される。 提案手法は,異なるキースキット最適化レベルを用いて得られた典型的な結果に比較して,制限ゲート集合に対する短い量子回路を生成する。
  論文  参考訳（メタデータ） (2025-02-20T16:41:10Z)
• 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)
• Reinforcement Learning Based Quantum Circuit Optimization via ZX-Calculus [0.0]
  本稿では,ZX-ダイアグラムのグラフ理論的単純化規則を用いて,量子回路を最適化するための新しい強化学習法を提案する。 そこで本研究では,ZX-Calculusをベースとした最良性能のアルゴリズムと比較し,提案手法の能力を示す。 我々のアプローチは、短期中間スケール範囲(NISQ)における量子アルゴリズムの実装のための貴重なツールとして使われる準備ができている。
  論文  参考訳（メタデータ） (2023-12-18T17:59:43Z)
• Causal flow preserving optimisation of quantum circuits in the ZX-calculus [0.0]
  本稿では,非クリフォードゲート数と2ビットゲート数の最小化を目的とした最適化アルゴリズムを提案する。 回路をZXダイアグラムに変換することで、回路に戻る前に単純化することができる。 QFT回路を最適化するための特に効果的な戦略も注目されており、非クリフォードゲートに対して正確に1つの2ビットゲートとなる。
  論文  参考訳（メタデータ） (2023-12-05T14:24:44Z)
• Graph Neural Network Autoencoders for Efficient Quantum Circuit Optimisation [69.43216268165402]
  我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。 我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。 我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
  論文  参考訳（メタデータ） (2023-03-06T16:51:30Z)
• Vanishing 2-Qubit Gates with Non-Simplification ZX-Rules [1.0089382889894247]
  量子回路はZX-ダイアグラムに変換することができ、ZX-計算の規則を用いて単純化することができる。 最もよく知られた抽出手順は、2量子ゲートの数を劇的に増やすことができる。 ZX-ダイアグラムの局所的な変化が抽出回路の複雑さに大きく影響するという事実を生かしている。
  論文  参考訳（メタデータ） (2022-09-14T18:43:21Z)
• 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)
• Hybrid quantum-classical circuit simplification with the ZX-calculus [0.0]
  この研究は、ハイブリッド回路の中間表現として、ZX-groundと呼ばれる形式的なグラフィカルなZX計算を拡張している。 グラフのサイズを小さくするZX-グラウンドダイアグラムに対して,多数のgFlow保存最適化ルールを導出する。 抽出回路の古典ゲートで実装可能な回路状ZX地上図のセグメントを検出するための一般的な手順を提案する。
  論文  参考訳（メタデータ） (2021-09-13T15:45:56Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
  本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。 後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。 近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
  論文  参考訳（メタデータ） (2020-07-29T05:26:19Z)

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。