論文の概要: Optimizing the non-Clifford-count in unitary synthesis using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.21709v1
• Date: Fri, 26 Sep 2025 00:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.083011
• Title: Optimizing the non-Clifford-count in unitary synthesis using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた単元合成における非クリフォード数最適化
• Authors: David Kremer, Ali Javadi-Abhari, Priyanka Mukhopadhyay,
• Abstract要約: 本稿では、量子回路の合成に強化学習(RL)を用いる可能性について検討する。 2つの量子ビット上でのクリフォード+T合成の結果は、最大100個のTゲートに対して最適に分解できる。 我々のRLアルゴリズムは、1 qubitユニタリのT数最適分解のための既知最適線形複雑性アルゴリズムを復元することができる。
• 参考スコア（独自算出の注目度）: 1.2439401626570128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An efficient implementation of unitary operators is important in order to practically realize the computational advantages claimed by quantum algorithms over their classical counterparts. In this paper we study the potential of using reinforcement learning (RL) in order to synthesize quantum circuits, while optimizing the T-count and CS-count, of unitaries that are exactly implementable by the Clifford+T and Clifford+CS gate sets, respectively. In general, the complexity of existing algorithms depend exponentially on the number of qubits and the non-Clifford-count of unitaries. We have designed our RL framework to work with channel representation of unitaries, that enables us to perform matrix operations efficiently, using integers only. We have also incorporated pruning heuristics and a canonicalization of operators, in order to reduce the search complexity. As a result, compared to previous works, we are able to implement significantly larger unitaries, in less time, with much better success rate and improvement factor. Our results for Clifford+T synthesis on two qubits achieve close-to-optimal decompositions for up to 100 T gates, 5 times more than previous RL algorithms and to the best of our knowledge, the largest instances achieved with any method to date. Our RL algorithm is able to recover previously-known optimal linear complexity algorithm for T-count-optimal decomposition of 1 qubit unitaries. For 2-qubit Clifford+CS unitaries, our algorithm achieves a linear complexity, something that could only be accomplished by a previous algorithm using $SO(6)$ representation.
• Abstract（参考訳）: ユニタリ演算子の効率的な実装は、古典的演算子よりも量子アルゴリズムが主張する計算上の優位性を現実的に実現するために重要である。 本稿では, Clifford+T と Clifford+CS のゲートセットで実装可能なユニタリのTカウントとCSカウントを最適化しながら, 量子回路の合成に強化学習(RL)を用いる可能性について検討する。 一般に、既存のアルゴリズムの複雑さは指数関数的に量子ビットの数とクリフォード数に依存している。 我々は、整数のみを使用して、行列演算を効率的に行うことができるような、ユニタリのチャネル表現を扱うために、RLフレームワークを設計した。 また,探索複雑性を低減するために,プルーニングヒューリスティックスや演算子の正準化も取り入れている。 結果として、以前の作業と比較すると、より大きなユニタリをより少ない時間で、より優れた成功率と改善係数で実装することが可能になります。 2つの量子ビット上でのClifford+T合成の結果は、最大100個のTゲートに対して、従来のRLアルゴリズムの5倍の近似分解を達成し、我々の知る限り、今までにどんな方法でも達成された最大の事例である。 我々のRLアルゴリズムは、1 qubitユニタリのT数最適分解のための既知最適線形複雑性アルゴリズムを復元することができる。 2-qubit Clifford+CS のユニタリーの場合、我々のアルゴリズムは、$SO(6)$表現を使って以前のアルゴリズムでしか達成できなかった線形複雑性を実現する。

関連論文リスト

• High-Precision Multi-Qubit Clifford+T Synthesis by Unitary Diagonalization [0.8341988468339112]
  クリフォード+Tゲートセットで表される量子回路の資源効率と高精度な近似合成は、フォールトトレラント量子コンピューティングにとって不可欠である。 探索に基づく手法を利用して、まずはユニタリを概略対角化し、解析的に逆解析する。 提案手法は,実量子アルゴリズムからユニタリを評価した場合に,一桁のオーダーで合成アルゴリズムの実装精度と実行時間を向上する。
  論文  参考訳（メタデータ） (2024-08-31T12:10:32Z)
• Multi-qubit circuit synthesis and Hermitian lattices [0.0]
  我々は,複数ビットのユニタリと等距離の正確な合成のための,新しい最適および合成アルゴリズムを提案する。 最適なアルゴリズムは、グラフのための新しいデータ構造と新しい一貫した関数でインスタンス化されたA*探索である。
  論文  参考訳（メタデータ） (2024-05-29T17:27:50Z)
• Replicable Learning of Large-Margin Halfspaces [46.91303295440005]
  我々は,大マージンハーフスペースを学習する問題に対して,効率的なアルゴリズムを提供する。 Impagliazzo, Lei, Pitassi, Sorrellによるアルゴリズム [STOC 2022] の改良を行った。
  論文  参考訳（メタデータ） (2024-02-21T15:06:51Z)
• Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
  信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T10:29:58Z)
• 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)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Refined bounds for algorithm configuration: The knife-edge of dual class approximability [94.83809668933021]
  トレーニングセットが、トレーニングセット上でのパラメータの平均メトリックのパフォーマンスが、予想される将来的なパフォーマンスに最も近いことを保証するために、どの程度の規模が必要かを調査する。 この近似が L-無限ノルムの下で成り立つなら、強いサンプル複雑性境界を与えることができる。 我々は、コンピュータ科学において最も強力なツールの一つである整数プログラミングの文脈において、我々の限界を実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-21T15:32:21Z)

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。