論文の概要: Toward Scalable Quantum Compilation for Modular Architecture: Qubit Mapping and Reuse via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2506.09323v1
• Date: Wed, 11 Jun 2025 01:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.178438
• Title: Toward Scalable Quantum Compilation for Modular Architecture: Qubit Mapping and Reuse via Deep Reinforcement Learning
• Title（参考訳）: モジュールアーキテクチャのためのスケーラブルな量子コンパイルを目指して - 深層強化学習による量子マッピングと再利用
• Authors: Sokea Sang, Leanghok Hour, Youngsun Han,
• Abstract要約: 本稿では、モジュール量子アーキテクチャのための注意に基づく深層強化学習(DRL)を用いた新しいQubitマッピングであるQARMAを提案する。 提案手法は、注目に基づくメカニズムとグラフニューラルネットワーク(GNN)を組み合わせて、最適なキュービット割り当て、ルーティング、再利用戦略を学習する。 モジュール構造を持つ高度に最適化されたQiskitと比較して、QARMA-Rはコア間通信を最大100%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modular quantum architectures have emerged as a promising approach for scaling quantum computing systems by connecting multiple Quantum Processing Units (QPUs). However, this approach introduces significant challenges due to costly inter-core operations between chips and quantum state transfers, which contribute to noise and quantum decoherence. This paper presents QARMA, a novel Qubit mapping using Attention-based deep Reinforcement learning (DRL) for Modular quantum Architectures, along with its extension QARMA-R that incorporates dynamic qubit reuse capabilities. Our approach combines an attention-based mechanism with Graph Neural Networks (GNN) to learn optimal qubit allocation, routing, and reuse strategies that minimize inter-core communications. We introduce two key innovations: (1) a transformer-based encoder that captures both the global circuit structure and local qubit interactions and (2) a dynamic qubit reuse compilation mechanism that leverages mid-circuit measurement and reset operations to reduce inter-operation and qubit requirements. Our experimental results show significant improvements over state-of-the-art approaches. Compared to highly-optimized Qiskit with modular architecture configuration, QARMA-R reduces inter-core communications by up to 100% (on average 85%), while QARMA maintains 15-40% improvement for larger circuits without reuse. Against traditional modular qubit mapping, our approach achieves 96.4-100% reduction in inter-core operation. The proposed methods advance quantum circuit compilation techniques and enable the execution of more extensive quantum algorithms on resource-constrained modular quantum systems, contributing to the growing body of research on scalable quantum computing architectures.
• Abstract（参考訳）: モジュール型量子アーキテクチャは、複数の量子処理ユニット(QPU)を接続することで、量子コンピューティングシステムをスケールするための有望なアプローチとして登場した。 しかし、このアプローチは、ノイズや量子デコヒーレンスに寄与するチップと量子状態転送の間のコア間演算にコストがかかるため、大きな課題をもたらす。 本稿では、モジュール量子アーキテクチャのための注意に基づく深層強化学習(DRL)を用いた新しいQubitマッピングQARMAと、動的量子ビット再利用機能を備えた拡張QARMA-Rを提案する。 提案手法は、注目に基づくメカニズムとグラフニューラルネットワーク(GNN)を組み合わせて、コア間通信を最小限に抑える最適なキュービット割り当て、ルーティング、再利用戦略を学習する。 本研究では,(1)グローバル回路構造と局所量子ビット相互作用の両方をキャプチャするトランスフォーマーベースのエンコーダ,(2)中間回路計測とリセット操作を利用した動的量子ビット再資源化機構を用いて,相互運用とキュービット要求の低減を図る。 実験の結果,最先端のアプローチよりも顕著な改善が見られた。 QARMA-Rはモジュラーアーキテクチャ構成で高度に最適化されたQiskitと比較して、コア間通信を最大で100%(平均85%)削減する一方、QARMAは再利用のない大型回路で15-40%の改善を維持している。 従来のモジュラー量子ビットマッピングに対して,本手法はコア間演算の96.4-100%削減を実現する。 提案手法は、量子回路のコンパイル手法を進歩させ、リソース制約されたモジュラー量子システム上でより広範な量子アルゴリズムの実行を可能にし、スケーラブルな量子コンピューティングアーキテクチャの研究の進展に寄与する。

関連論文リスト

• State Similarity in Modular Superconducting Quantum Processors with Classical Communications [41.94024259927014]
  モジュールアーキテクチャに適したクロスプラットフォーム忠実度推定アルゴリズムを提案する。 我々は、最大6キュービットのモジュラー超伝導量子プロセッサ上で、このプロトコルを実験的に実装し、2つの11キュービットGHZ状態の類似性を検証した。 概念実証として、6つの3キュービットモジュールを用いた5キュービット量子位相学習タスクに適用し、たった8つのトレーニングサンプルで位相情報を抽出することに成功した。
  論文  参考訳（メタデータ） (2025-06-02T13:27:38Z)
• Route-Forcing: Scalable Quantum Circuit Mapping for Scalable Quantum Computing Architectures [41.39072840772559]
  Route-Forcingは量子回路マッピングアルゴリズムで、平均スピードアップが3.7Times$であることを示している。 本稿では、最先端のスケーラブルな手法と比較して平均3.7倍の高速化を示す量子回路マッピングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T14:21:41Z)
• Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures [1.8781124875646162]
  この研究は、効率的な量子回路のコンパイルとマッピングのための新しい学習ベースのアプローチを導入することにより、スケーラブルな量子コンピューティングシステムの進歩に寄与する。 本研究では,Deep Reinforcement Learning (DRL) 手法を応用して,特定のマルチコアアーキテクチャのための学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-17T12:09:11Z)
• Revisiting the Mapping of Quantum Circuits: Entering the Multi-Core Era [2.465579331213113]
  本稿では,コア間通信の削減を目的として,コアへのキュービット割り当てを最適化するために設計されたマルチコアマッピングアルゴリズムである,ハンガリークビット割り当て(HQA)アルゴリズムを紹介する。 モジュラーアーキテクチャの最先端回路マッピングアルゴリズムに対するHQAの評価では、実行時間と非ローカル通信の点で4.9times$と1.6times$の改善が示されている。
  論文  参考訳（メタデータ） (2024-03-25T21:31:39Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Characterizing the Inter-Core Qubit Traffic in Large-Scale Quantum Modular Architectures [2.465579331213113]
  大規模回路におけるモノリシック・テンポラル・コア間通信の時代の先駆的な特徴について述べる。 プログラムは、最大1000量子ビットをサポートする全対全接続コアアーキテクチャで実行される。 実証結果に基づいて,量子回路をマルチコアプロセッサにマッピングするための一連のガイドラインを提供し,大規模マルチコアアーキテクチャのベンチマークの基礎を定めている。
  論文  参考訳（メタデータ） (2023-10-03T09:54:41Z)
• Hungarian Qubit Assignment for Optimized Mapping of Quantum Circuits on Multi-Core Architectures [1.1288814203214292]
  量子コンピュータは、これらのクラスタ間のスペーサー接続を備えた密結合量子ビットのクラスタを特徴とするモジュラーアプローチを採用することが期待されている。 複数の処理コアにキュービットを効率よく分散させることは、量子コンピューティングシステムの性能とスケーラビリティを向上させる上で重要である。 ハンガリーのQubit Assignment(HQA)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-21T15:48:45Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• 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)

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。