論文の概要: CutQAS: Topology-aware quantum circuit cutting via reinforcement learning
- arxiv url: http://arxiv.org/abs/2504.04167v1
- Date: Sat, 05 Apr 2025 13:13:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:10:49.057868
- Title: CutQAS: Topology-aware quantum circuit cutting via reinforcement learning
- Title（参考訳）: CutQAS:強化学習による位相対応量子回路切断
- Authors: Abhishek Sadhu, Aritra Sarkar, Akash Kundu,
- Abstract要約: 量子回路切断と量子アーキテクチャ探索(QAS)を統合して量子化学シミュレーションを強化するフレームワークであるCutQASを提案する。
まず、RLエージェントが最適回路構造を特定するために可能な全てのトポロジを探索し、次いで第2のRLエージェントが最適な回路切断を決定することにより選択したトポロジを洗練し、制約のあるハードウェア上での効率的な実行を保証する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Simulating molecular systems on quantum processors has the potential to surpass classical methods in computational resource efficiency. The limited qubit connectivity, small processor size, and short coherence times of near-term quantum hardware constrain the applicability of quantum algorithms like QPE and VQE. Quantum circuit cutting mitigates these constraints by partitioning large circuits into smaller subcircuits, enabling execution on resource-limited devices. However, finding optimal circuit partitions remains a significant challenge, affecting both computational efficiency and accuracy. To address these limitations, in this article, we propose CutQAS, a novel framework that integrates quantum circuit cutting with quantum architecture search (QAS) to enhance quantum chemistry simulations. Our framework employs a multi-step reinforcement learning (RL) agent to optimize circuit configurations. First, an RL agent explores all possible topologies to identify an optimal circuit structure. Subsequently, a second RL agent refines the selected topology by determining optimal circuit cuts, ensuring efficient execution on constrained hardware. Through numerical simulations, we demonstrate the effectiveness of our method in improving simulation accuracy and resource efficiency. This approach presents a scalable solution for quantum chemistry applications, offering a systematic pathway to overcoming hardware constraints in near-term quantum computing.
- Abstract（参考訳）: 量子プロセッサ上の分子系のシミュレーションは、計算資源効率の古典的手法を超える可能性がある。
量子ビット接続の制限、プロセッササイズが小さく、短期量子ハードウェアのコヒーレンス時間が短いため、QPEやVQEといった量子アルゴリズムの適用性が制限される。
量子回路切断は、大きな回路を小さなサブ回路に分割することでこれらの制約を緩和し、リソース制限されたデバイス上での実行を可能にする。
しかし、最適な回路分割を見つけることは、計算効率と精度の両方に影響を与える重要な課題である。
本稿では,量子回路切断と量子アーキテクチャ探索(QAS)を統合し,量子化学シミュレーションを強化する新しいフレームワークであるCutQASを提案する。
回路構成の最適化には多段階強化学習(RL)エージェントを用いる。
まず、RLエージェントが全ての可能なトポロジを探索し、最適な回路構造を同定する。
その後、第2のRLエージェントは、最適回路切断を決定することにより、選択したトポロジを洗練し、制約ハードウェア上での効率的な実行を保証する。
シミュレーションにより,シミュレーション精度と資源効率を向上させる手法の有効性を実証した。
このアプローチは量子化学応用のためのスケーラブルなソリューションであり、短期量子コンピューティングにおけるハードウェア制約を克服するための体系的な経路を提供する。
関連論文リスト
- 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) - Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures [1.8781124875646162]
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。
論文 参考訳（メタデータ） (2024-06-17T12:09:11Z) - Scaling Up the Quantum Divide and Conquer Algorithm for Combinatorial Optimization [0.8121127831316319]
本稿では,デバイス間通信コストを大幅に削減する量子回路の構築手法を提案する。
そこで本研究では,従来のQDCA手法の約3倍の大きさのトラクタブル回路を構築できることを示す。
論文 参考訳（メタデータ） (2024-05-01T20:49:50Z) - Compiler for Distributed Quantum Computing: a Reinforcement Learning Approach [6.347685922582191]
本稿では,EPRペアの生成とルーティングを共同で管理することで,実行時間の短縮を優先する新しいコンパイラを提案する。
本稿では, 量子回路の絡み合い生成の性質と動作要求を考慮し, リアルタイムかつ適応的なコンパイラ設計手法を提案する。
i)マルコフ決定過程(MDP)の定式化を用いてDQCの最適コンパイラをモデル化し、最適アルゴリズムの存在を確立し、(ii)この最適コンパイラを近似するために制約付き強化学習(RL)法を導入する。
論文 参考訳（メタデータ） (2024-04-25T23:03:20Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Reinforcement learning-assisted quantum architecture search for variational quantum algorithms [0.0]
この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。
本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。
様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
論文 参考訳（メタデータ） (2024-02-21T12:30:39Z) - Initial-State Dependent Optimization of Controlled Gate Operations with
Quantum Computer [1.2019888796331233]
制御ゲートから冗長な制御操作を取り除くことを目的としたAQCELと呼ばれる新しい回路を導入する。
ベンチマークとして、AQCELは高エネルギー物理学における最終状態の放射をモデル化するために設計された量子アルゴリズムにデプロイされる。
我々は、AQCEL最適化回路が、ゲート数がはるかに少ない等価な最終状態を生成できることを実証した。
論文 参考訳（メタデータ） (2022-09-06T09:19:07Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - 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) - 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)
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。