論文の概要: BDD2Seq: Enabling Scalable Reversible-Circuit Synthesis via Graph-to-Sequence Learning

• arxiv url: http://arxiv.org/abs/2511.08315v1
• Date: Wed, 12 Nov 2025 01:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.757271
• Title: BDD2Seq: Enabling Scalable Reversible-Circuit Synthesis via Graph-to-Sequence Learning
• Title（参考訳）: BDD2Seq: グラフからシーケンス学習によるスケーラブルな可逆回路合成の実現
• Authors: Mingkai Miao, Jianheng Tang, Guangyu Hu, Hongce Zhang,
• Abstract要約: 我々は、グラフニューラルネットワークエンコーダとPointer-NetworkデコーダとDiverse Beam Searchを結合して高品質な注文を予測するグラフからシーケンスのフレームワークであるBDD2Seqを紹介した。 BDD2Seqは、量子コストの約1.4倍、現代的なアルゴリズムの3.7倍の高速な合成を実現している。 これは、グラフベースの生成モデルと多様性促進デコーディングによるBDDベースの可逆回路合成における変数順序付け問題に対処する最初の試みである。
• 参考スコア（独自算出の注目度）: 9.434983938743349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Binary Decision Diagrams (BDDs) are instrumental in many electronic design automation (EDA) tasks thanks to their compact representation of Boolean functions. In BDD-based reversible-circuit synthesis, which is critical for quantum computing, the chosen variable ordering governs the number of BDD nodes and thus the key metrics of resource consumption, such as Quantum Cost. Because finding an optimal variable ordering for BDDs is an NP-complete problem, existing heuristics often degrade as circuit complexity grows. We introduce BDD2Seq, a graph-to-sequence framework that couples a Graph Neural Network encoder with a Pointer-Network decoder and Diverse Beam Search to predict high-quality orderings. By treating the circuit netlist as a graph, BDD2Seq learns structural dependencies that conventional heuristics overlooked, yielding smaller BDDs and faster synthesis. Extensive experiments on three public benchmarks show that BDD2Seq achieves around 1.4 times lower Quantum Cost and 3.7 times faster synthesis than modern heuristic algorithms. To the best of our knowledge, this is the first work to tackle the variable-ordering problem in BDD-based reversible-circuit synthesis with a graph-based generative model and diversity-promoting decoding.
• Abstract（参考訳）: バイナリ決定図(BDD)は、ブール関数のコンパクトな表現のおかげで、多くの電子設計自動化(EDA)タスクに役立ちます。 BDDベースの可逆回路合成(Reversible-circuit synthesis)は、量子コンピューティングにとって重要であり、選択された変数順序付けは、BDDノードの数と、量子コストなどのリソース消費の重要な指標を管理する。 BDDの最適変数順序付けを見つけることはNP完全問題であるため、回路の複雑さが増大するにつれて既存のヒューリスティックスは劣化することが多い。 我々は、グラフニューラルネットワークエンコーダとPointer-NetworkデコーダとDiverse Beam Searchを結合して高品質な注文を予測するグラフからシーケンスのフレームワークであるBDD2Seqを紹介した。 サーキットネットリストをグラフとして扱うことで、BDD2Seqは、従来のヒューリスティックスが見落としていた構造的依存関係を学び、より小さなBDDを生み出し、より高速な合成を実現する。 3つの公開ベンチマークの大規模な実験は、BDD2Seqが現代のヒューリスティックアルゴリズムの約1.4倍の量子コストと3.7倍の高速合成を実現していることを示している。 私たちの知る限りでは、これは、グラフベースの生成モデルと多様性を動機とするデコーディングによるBDDベースの可逆回路合成における変数順序付け問題に最初に取り組みます。

関連論文リスト

• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Resource-efficient context-aware dynamical decoupling embedding for arbitrary large-scale quantum algorithms [0.0]
  GraphDDは、動的デカップリング(DD)を実行可能な量子アルゴリズムに効率よく埋め込む方法である。 我々は,GraphDDが回路全体にわたって準静的な単一量子ビットのデフォーカスとクロストークのアイドリングエラーの両方に焦点を合わせていることを実証した。 我々は、127量子ビットのIBMデバイス上で、回路レベルのエラー抑制を実現するためのGraphDDの能力を検証する。
  論文  参考訳（メタデータ） (2024-09-09T18:01:33Z)
• Compacting Binary Neural Networks by Sparse Kernel Selection [58.84313343190488]
  本稿は,BNNにおけるバイナリカーネルの分散化がほぼ不可能であることを示すものである。 我々は、選択過程をエンドツーエンドに最適化するだけでなく、選択したコードワードの非反復的占有を維持できる置換ストレートスルー推定器(PSTE)を開発した。 実験により,提案手法はモデルサイズとビット幅の計算コストの両方を削減し,同等の予算下での最先端のBNNと比較して精度の向上を実現する。
  論文  参考訳（メタデータ） (2023-03-25T13:53:02Z)
• DeepSeq: Deep Sequential Circuit Learning [10.402436619244911]
  回路表現学習は電子設計自動化(EDA)分野における有望な研究方向である。 既存のソリューションは組合せ回路のみをターゲットにしており、その応用は著しく制限されている。 シーケンシャルネットリストのための新しい表現学習フレームワークであるDeepSeqを提案する。
  論文  参考訳（メタデータ） (2023-02-27T09:17:35Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Towards Bi-directional Skip Connections in Encoder-Decoder Architectures and Beyond [95.46272735589648]
  本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。 我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。 本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:38:52Z)
• QGo: Scalable Quantum Circuit Optimization Using Automated Synthesis [3.284627771501259]
  NISQデバイスでは、CNOTのような2ビットゲートはシングルキュービットゲートよりもノイズが大きい。 量子回路合成は、任意のユニタリを量子ゲートの列に分解する過程である。 量子回路最適化のための階層的ブロック・バイ・ブロック最適化フレームワークQGoを提案する。
  論文  参考訳（メタデータ） (2020-12-17T18:54:38Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)
• Quantum Algorithm for Finding the Optimal Variable Ordering for Binary Decision Diagrams [0.0]
  順序付き二項決定図(OBDD)は、ブール関数を表す有向非巡回グラフである。 本稿では,最小のOBDDを生成する量子アルゴリズムの存在を実証することにより,量子コンピュータのさらなる高速化が可能であることを示す。
  論文  参考訳（メタデータ） (2019-09-27T12:52:07Z)

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。