論文の概要: F2: Offline Reinforcement Learning for Hamiltonian Simulation via Free-Fermionic Subroutine Compilation

• arxiv url: http://arxiv.org/abs/2512.08023v2
• Date: Wed, 10 Dec 2025 12:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 13:10:24.475505
• Title: F2: Offline Reinforcement Learning for Hamiltonian Simulation via Free-Fermionic Subroutine Compilation
• Title（参考訳）: F2:フリーフェミオンサブルーチンコンパイルによるハミルトンシミュレーションのオフライン強化学習
• Authors: Ethan Decker, Christopher Watson, Junyu Zhou, Yuhao Liu, Chenxu Liu, Ang Li, Gushu Li, Samuel Stein,
• Abstract要約: 我々は、フリーフェミオン構造を利用してハミルトンシミュレーション回路を効率的にコンパイルするオフライン強化学習フレームワークF2を紹介する。 可逆格子モデル、タンパク質断片、結晶材料(12-222 qubits)全体にわたって、F2はゲート数を47%減らし、深さを平均38%減らした。 これらの結果は、深い強化学習と量子力学の代数構造との整合が、回路合成の大幅な改善をもたらすことを示唆している。
• 参考スコア（独自算出の注目度）: 8.491396725605584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compiling shallow and accurate quantum circuits for Hamiltonian simulation remains challenging due to hardware constraints and the combinatorial complexity of minimizing gate count and circuit depth. Existing optimization method pipelines rely on hand-engineered classical heuristics, which cannot learn input-dependent structure and therefore miss substantial opportunities for circuit reduction. We introduce F2, an offline reinforcement learning framework that exploits free-fermionic structure to efficiently compile Trotter-based Hamiltonian simulation circuits. F2 provides (i) a reinforcement-learning environment over classically simulatable free-fermionic subroutines, (ii) architectural and objective-level inductive biases that stabilize long-horizon value learning, and (iii) a reversible synthetic-trajectory generation mechanism that consistently yields abundant, guaranteed-successful offline data. Across benchmarks spanning lattice models, protein fragments, and crystalline materials (12-222 qubits), F2 reduces gate count by 47% and depth by 38% on average relative to strong baselines (Qiskit, Cirq/OpenFermion) while maintaining average errors of 10^(-7). These results show that aligning deep reinforcement learning with the algebraic structure of quantum dynamics enables substantial improvements in circuit synthesis, suggesting a promising direction for scalable, learning-based quantum compilation
• Abstract（参考訳）: ハミルトニアンシミュレーションのために浅く正確な量子回路をコンパイルすることは、ハードウェアの制約と、ゲート数と回路深さを最小化する組合せの複雑さのために依然として困難である。 既存の最適化手法は手作業による古典的ヒューリスティックに依存しており、入力に依存した構造を学習できないため、回路還元のかなりの機会を逃している。 我々は、自由フェルミオン構造を利用して、トロッターベースのハミルトンシミュレーション回路を効率的にコンパイルするオフライン強化学習フレームワークF2を紹介する。 F2 提供 (i)古典的にシミュレート可能なフリーフェミオンサブルーチンに対する強化学習環境 (二)長期的価値学習を安定させる建築的・客観的な帰納バイアス 三 豊富な保証されたオフラインデータを一貫して生成する可逆的な合成軌道生成機構。 格子モデル、タンパク質フラグメント、結晶材料(12-222 qubits)にまたがるベンチマーク全体において、F2は10^(-7)の平均誤差を維持しながら、強いベースライン(Qiskit, Cirq/OpenFermion)と比較してゲート数を47%減らし、深さを38%減らした。 これらの結果は、深い強化学習と量子力学の代数構造との整合性によって回路合成が大幅に向上することを示し、スケーラブルで学習ベースの量子コンパイルのための有望な方向性を示唆している。

関連論文リスト

• Efficient and Noise-Resilient Molecular Quantum Simulation with the Generalized Superfast Encoding [0.5833117322405447]
  量子コンピュータ上の分子系をシミュレーションするには、フェルミオン作用素から量子ビット作用素への効率的なマッピングが必要である。 Jordan-Wigner や Bravyi-Kitaev のような伝統的な写像は、しばしばハイウェイトなパウリ語を生成する。 本稿では,コンパクトかつノイズ耐性のFermion GSE-to-qubitマッピングを構築するための一連の手法を提案する。
  論文  参考訳（メタデータ） (2025-11-12T13:30:51Z)
• Hybrid action Reinforcement Learning for quantum architecture search [22.797945771013037]
  HyRLQASは、離散ゲート配置と連続パラメータ生成を統合する統合フレームワークである。 我々はHyRLQASが低エネルギー誤差とよりコンパクトな回路構造を一貫して達成していることを示す。 これらの結果は、ハイブリッドアクション強化学習が、自動およびハードウェア効率の量子回路設計への原則的な経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2025-11-07T04:00:24Z)
• PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
  大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。 PT$2$-LLMを提案する。 その中核は2段精製パイプラインを備えた非対称3次量子化器である。
  論文  参考訳（メタデータ） (2025-09-27T03:01:48Z)
• Learning Circuits with Infinite Tensor Networks [0.4972323953932129]
  量子コンピュータ上のハミルトニアンシミュレーションはゲート数によって制約され、回路深さを減らすための技術が動機となっている。 我々はテンソルネットワークを利用して回路設計を支援し、量子機械学習にインスパイアされたユニタリ合成を可能にする。 提案手法は, 基底状態を効率的に生成し, 無限系と有限系の両方で時間発展を行う回路を求める。
  論文  参考訳（メタデータ） (2025-06-02T18:00:01Z)
• Classical simulation of parity-preserving quantum circuits [0.0]
  一般性を損なわないフェルミオン量子系の古典的シミュレーション法を提案する。 我々は、これらの回路をフェルミオンテンソルネットワークにマッピングし、非マッチゲートゲートの新たな分解を導入する。 提案アルゴリズムは,高い精度を維持しつつパリティ保存回路をシミュレーションするための資源要求を著しく低減する。
  論文  参考訳（メタデータ） (2025-04-27T17:42:39Z)
• Kernpiler: Compiler Optimization for Quantum Hamiltonian Simulation with Partial Trotterization [38.59115551211364]
  ハミルトニアンシミュレーションのための既存のコンパイル技術は、現在の量子コンピュータで可能なゲート数を提供するのに苦労している。 我々は部分的トロッター化を提案し、非可換なハミルトン項の集合を直接コンパイルすることで、トロッターステップ当たりの誤差を少なくすることができる。 スピンおよびフェルミオンハミルトニアンの数値シミュレーションで、カイスキットのRustiqやカイスキットのPaulievolutiongateのような最先端の手法と比較して、新しいコンパイラは最大10倍のゲートと深さカウントの削減を提示する。
  論文  参考訳（メタデータ） (2025-04-09T18:41:31Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Harmonizing SO(3)-Equivariance with Neural Expressiveness: a Hybrid Deep Learning Framework Oriented to the Prediction of Electronic Structure Hamiltonian [36.13416266854978]
  HarmoSEは、ディープラーニングのための2段階のケースケード回帰フレームワークである。 第1段階は、豊富なSO(3)-同変の特徴を抽出したハミルトニアンを予測する。 第2段階はハミルトニアンの詳細な予測として第1段階の出力を洗練させる。
  論文  参考訳（メタデータ） (2024-01-01T12:57:15Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)
• Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
  量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。 誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-15T05:16:24Z)

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。