論文の概要: Reinforcement Learning for Optimizing Large Qubit Array based Quantum Sensor Circuits

• arxiv url: http://arxiv.org/abs/2508.21253v1
• Date: Thu, 28 Aug 2025 22:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.893718
• Title: Reinforcement Learning for Optimizing Large Qubit Array based Quantum Sensor Circuits
• Title（参考訳）: 大規模量子センサ回路の最適化のための強化学習
• Authors: Laxmisha Ashok Attisara, Sathish Kumar,
• Abstract要約: 本稿では、拡張回路最適化のための強化学習とテンソルネットワークに基づくシミュレーション(MPS)の工学的統合を提案する。 我々の強化学習エージェントは、量子フィッシャー情報(QFI)と絡み合いエントロピーを最大化するために回路の再構成を学ぶ。 実験の結果,QFI値が0.8-1.0の範囲で1, 絡み合いエントロピーに近づき, 最大90%の深さ, ゲート数で一貫した改善が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the number of qubits in a sensor increases, the complexity of designing and controlling the quantum circuits grows exponentially. Manually optimizing these circuits becomes infeasible. Optimizing entanglement distribution in large-scale quantum circuits is critical for enhancing the sensitivity and efficiency of quantum sensors [5], [6]. This paper presents an engineering integration of reinforcement learning with tensor-network-based simulation (MPS) for scalable circuit optimization for optimizing quantum sensor circuits with up to 60 qubits. To enable efficient simulation and scalability, we adopt tensor network methods, specifically the Matrix Product State (MPS) representation, instead of traditional state vector or density matrix approaches. Our reinforcement learning agent learns to restructure circuits to maximize Quantum Fisher Information (QFI) and entanglement entropy while reducing gate counts and circuit depth. Experimental results show consistent improvements, with QFI values approaching 1, entanglement entropy in the 0.8-1.0 range, and up to 90% reduction in depth and gate count. These results highlight the potential of combining quantum machine learning and tensor networks to optimize complex quantum circuits under realistic constraints.
• Abstract（参考訳）: センサ内の量子ビット数が増加するにつれて、量子回路の設計と制御の複雑さは指数関数的に増大する。 これらの回路を手動で最適化することは不可能である。 量子センサ [5], [6] の感度と効率を高めるためには, 大規模量子回路における絡み合い分布の最適化が重要である。 本稿では、最大60量子ビットの量子センサ回路を最適化するためのスケーラブルな回路最適化のために、テンソルネットワークに基づくシミュレーション(MPS)による強化学習の工学的統合を提案する。 効率的なシミュレーションとスケーラビリティを実現するために、従来の状態ベクトルや密度行列アプローチの代わりに、テンソルネットワーク手法、特にマトリックス製品状態(MPS)表現を採用する。 我々の強化学習エージェントは、ゲート数と回路深さを減らしながら、量子フィッシャー情報(QFI)と絡み合いエントロピーを最大化するために回路を再構築することを学ぶ。 実験の結果,QFI値が0.8-1.0の範囲で1, 絡み合いエントロピーに近づき, 最大90%の深さ, ゲート数で一貫した改善が得られた。 これらの結果は、現実的な制約の下で複雑な量子回路を最適化するために、量子機械学習とテンソルネットワークを組み合わせる可能性を強調している。

関連論文リスト

• Quantum Machine Learning for Optimizing Entanglement Distribution in Quantum Sensor Circuits [0.0]
  絡み合いは高い感度と測定精度を達成する上で重要な要素の1つである。 本稿では,量子センサ回路の絡み合い分布を最適化するために,量子機械学習技術を用いた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-28T22:45:54Z)
• Quantum-Efficient Convolution through Sparse Matrix Encoding and Low-Depth Inner Product Circuits [0.0]
  本稿では、畳み込み積を構造化行列乗算として再構成する資源効率の量子アルゴリズムを提案する。 我々は、最適化されたキー値QRAM状態符号化を用いてスパース入力パッチを作成する量子フレームワークを構築する。 我々のアーキテクチャは、一般化されたSWAP回路を用いて、複数のフィルタにまたがるバッチ畳み込みをサポートする。
  論文  参考訳（メタデータ） (2025-07-25T20:08:12Z)
• 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)
• Riemannian quantum circuit optimization for Hamiltonian simulation [2.1227079314039057]
  ハミルトンシミュレーションは量子コンピューティングの自然な応用である。 翻訳不変系では、そのような回路トポロジのゲートは古典的なコンピュータでさらに最適化することができる。 一次元格子上のイジングとハイゼンベルクのモデルに対して、我々は桁違いの精度の向上を達成する。
  論文  参考訳（メタデータ） (2022-12-15T00:00:17Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• 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)
• 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)
• Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
  量子回路をキューネットワークとしてモデル化することを提案する。 提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
  論文  参考訳（メタデータ） (2021-06-26T10:55:52Z)
• 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)
• Adaptive Circuit Learning for Quantum Metrology [4.391936138589785]
  量子センサと量子回路のハイブリッドシステムが、従来のセンサの限界を超えることができるかどうかを考察する。 提案手法では, プラットフォーム固有の制御能力, ノイズ, 信号分布に基づいて, 量子センシング回路を学習可能な変分アルゴリズムを用いる。 我々は、既存の固定プロトコル(GHZ)よりも最大13.12倍のSNRの改善と、IBM量子コンピュータを使った15量子ビットの古典的な制限よりも3.19倍の改善を示す。
  論文  参考訳（メタデータ） (2020-10-17T03:21:22Z)

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。