論文の概要: Beyond Reinforcement Learning: Fast and Scalable Quantum Circuit Synthesis

• arxiv url: http://arxiv.org/abs/2602.15146v1
• Date: Mon, 16 Feb 2026 19:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.887837
• Title: Beyond Reinforcement Learning: Fast and Scalable Quantum Circuit Synthesis
• Title（参考訳）: 強化学習を超えて:高速でスケーラブルな量子回路合成
• Authors: Lukas Theissinger, Thore Gerlach, David Berghaus, Christian Bauckhage,
• Abstract要約: 量子ユニタリ合成は、量子アルゴリズムをハードウェア実行可能なゲートのシーケンスに変換する問題に対処する。 既存のアプローチは、不整合最適化目標、相当なトレーニングコスト、異なるキュービット数にわたる限定的な一般化に悩まされている。 教師付き学習を用いて、残余ユニタリの最小記述を近似し、この推定をビームサーチと組み合わせて最適なゲート列を同定することにより、これらの制限を緩和する。
• 参考スコア（独自算出の注目度）: 2.2632495210933135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum unitary synthesis addresses the problem of translating abstract quantum algorithms into sequences of hardware-executable quantum gates. Solving this task exactly is infeasible in general due to the exponential growth of the underlying combinatorial search space. Existing approaches suffer from misaligned optimization objectives, substantial training costs and limited generalization across different qubit counts. We mitigate these limitations by using supervised learning to approximate the minimum description length of residual unitaries and combining this estimate with stochastic beam search to identify near optimal gate sequences. Our method relies on a lightweight model with zero-shot generalization, substantially reducing training overhead compared to prior baselines. Across multiple benchmarks, we achieve faster wall-clock synthesis times while exceeding state-of-the-art methods in terms of success rate for complex circuits.
• Abstract（参考訳）: 量子ユニタリ合成は、抽象量子アルゴリズムをハードウェア実行可能な量子ゲートのシーケンスに変換する問題に対処する。 この問題を正確に解くことは、一般には、基礎となる組合せ探索空間の指数的な成長のために不可能である。 既存のアプローチは、不整合最適化目標、相当なトレーニングコスト、異なるキュービット数にわたる限定的な一般化に悩まされている。 教師付き学習を用いて、残余ユニタリの最小記述長を近似し、この推定を確率的ビームサーチと組み合わせて近似ゲート列を同定することにより、これらの制限を緩和する。 本手法は,ゼロショット一般化による軽量モデルに依存し,従来のベースラインに比べてトレーニングオーバーヘッドを大幅に低減する。 複数のベンチマークにおいて、複素回路の成功率の観点から、最先端の手法を超越しながら、より高速なウォールクロック合成を実現する。

関連論文リスト

• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• 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)
• Quantum Circuit Optimization with AlphaTensor [47.9303833600197]
  我々は,所定の回路を実装するために必要なTゲート数を最小化する手法であるAlphaTensor-Quantumを開発した。 Tカウント最適化の既存の方法とは異なり、AlphaTensor-Quantumは量子計算に関するドメイン固有の知識を取り入れ、ガジェットを活用することができる。 注目すべきは、有限体における乗法であるカラツバの手法に似た効率的なアルゴリズムを発見することである。
  論文  参考訳（メタデータ） (2024-02-22T09:20:54Z)
• Faster Quantum Algorithms with "Fractional"-Truncated Series [14.536572102408423]
  我々は、トランケート誤差を2次的に改善し、有効トランケート順序の連続的な調整を可能にすることにより、回路深さを著しく低減するフレームワークであるランダム化トランケートシリーズ(RTS)を紹介する。 我々は,この補題を準ユニタリなインスタンスに一般化して誤差解析をサポートし,一元数,量子信号処理,量子微分方程式の線形結合によるRTSの汎用性を実証する。
  論文  参考訳（メタデータ） (2024-02-08T11:49:24Z)
• 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)
• Improving the Performance of Deep Quantum Optimization Algorithms with Continuous Gate Sets [47.00474212574662]
  変分量子アルゴリズムは計算的に難しい問題を解くのに有望であると考えられている。 本稿では,QAOAの回路深度依存性能について実験的に検討する。 この結果から, 連続ゲートセットの使用は, 短期量子コンピュータの影響を拡大する上で重要な要素である可能性が示唆された。
  論文  参考訳（メタデータ） (2020-05-11T17:20:51Z)
• Boundaries of quantum supremacy via random circuit sampling [69.16452769334367]
  Googleの最近の量子超越性実験は、量子コンピューティングがランダムな回路サンプリングという計算タスクを実行する遷移点を示している。 観測された量子ランタイムの利点の制約を、より多くの量子ビットとゲートで検討する。
  論文  参考訳（メタデータ） (2020-05-05T20:11:53Z)

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。