Fugu-MT 論文翻訳(概要): AlphaCNOT: Learning CNOT Minimization with Model-Based Planning

論文の概要: AlphaCNOT: Learning CNOT Minimization with Model-Based Planning

arxiv url: http://arxiv.org/abs/2604.13812v1
Date: Wed, 15 Apr 2026 12:46:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-16 20:38:32.537736
Title: AlphaCNOT: Learning CNOT Minimization with Model-Based Planning
Title（参考訳）: AlphaCNOT:モデルベースプランニングによるCNOT最小化学習
Authors: Jacopo Cossio, Daniele Lizzio Bosco, Riccardo Romanello, Giuseppe Serra, Carla Piazza,
Abstract要約: モンテカルロ木探索(MCTS)に基づくRLフレームワークAlphaCNOTを紹介する。本手法は,線形合成におけるPMHベースラインと比較して最大32%のCNOTゲート数削減を実現する。この結果から,RLとサーチベース戦略の組み合わせを異なる回路最適化タスクに適用できることが示唆された。
参考スコア（独自算出の注目度）: 2.370825745003249
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum circuit optimization is a central task in Quantum Computing, as current Noisy Intermediate Scale Quantum devices suffer from error propagation that often scales with the number of operations. Among quantum operations, the CNOT gate is of fundamental importance, being the only 2-qubit gate in the universal Clifford+T set. The problem of CNOT gates minimization has been addressed by heuristic algorithms such as the well-known Patel-Markov-Hayes (PMH) for linear reversible synthesis (i.e., CNOT minimization with no topological constraints), and more recently by Reinforcement Learning (RL) based strategies in the more complex case of topology-aware synthesis, where each CNOT can act on a subset of all qubits pairs. In this work we introduce AlphaCNOT, a RL framework based on Monte Carlo Tree Search (MCTS) that address effectively the CNOT minimization problem by modeling it as a planning problem. In contrast to other RL- based solution, our method is model-based, i.e. it can leverage lookahead search to evaluate future trajectories, thus finding more efficient sequences of CNOTs. Our method achieves a reduction of up to 32% in CNOT gate count compared to PMH baseline on linear reversible synthesis, while in the constraint version we report a consistent gate count reduction on a variety of topologies with up to 8 qubits, with respect to state-of-the-art RL-based solutions. Our results suggest the combination of RL with search-based strategies can be applied to different circuit optimization tasks, such as Clifford minimization, thus fostering the transition toward the "quantum utility" era.
Abstract（参考訳）: 量子回路最適化は量子コンピューティングにおいて中心的な課題であり、現在のノイズ中間スケールの量子デバイスは、しばしば演算数に応じてスケールするエラー伝搬に悩まされている。量子演算の中で、CNOTゲートは基本的な重要であり、普遍クリフォード+T集合の中で唯一の2量子ゲートである。 CNOTゲートの最小化の問題は、線形可逆合成(例えば、位相制約のないCNOT最小化)のためのよく知られたPater-Markov-Hayes (PMH)のようなヒューリスティックアルゴリズムや、より複雑な位相認識合成の場合の強化学習(RL)ベースの戦略によって解決されている。本稿では,モンテカルロ木探索(MCTS)に基づくRLフレームワークであるAlphaCNOTを紹介する。他のRLベースのソリューションとは対照的に、我々の手法はモデルベースであり、すなわち、将来の軌跡を評価するためにルックアヘッド検索を利用することができ、CNOTのより効率的なシーケンスを見つけることができる。本手法は,線形可逆合成におけるPMHベースラインと比較して最大32%のCNOTゲート数削減を実現し,制約バージョンでは,最先端のRLベースのソリューションに関して,最大8キュービットの様々なトポロジに対して一貫したゲート数削減を報告した。以上の結果から,RLと検索戦略の組み合わせは,Clifford の最小化など,異なる回路最適化タスクに適用可能であることが示唆された。

関連論文リスト

CNOT Minimal Circuit Synthesis: A Reinforcement Learning Approach [2.8635186297113493]
CNOTの最小化に新たな強化学習手法を導入する。我々はm = 8 のエージェントを訓練し,n の大きさが 3 から 15 の行列で評価した。その結果,nの値が大きくなるにつれて,本手法は最先端のアルゴリズムをオーバーパフォーマンスすることがわかった。
論文参考訳（メタデータ） (2025-10-27T13:13:39Z)
Don't Be Greedy, Just Relax! Pruning LLMs via Frank-Wolfe [61.68406997155879]
State-of-the-art Large Language Model (LLM) プルーニング手法は階層的に動作し、階層ごとのプルーニングエラーを最小限に抑え、完全な再トレーニングを回避する。既存の手法は、刈り上げ対象の重量相互作用を無視する欲求凸に依存する。提案手法は, 層ごとのプルーニング誤差を大幅に低減し, 最先端のGPTアーキテクチャにおいて高いベースラインを達成し, メモリ効率を保っている。
論文参考訳（メタデータ） (2025-10-15T16:13:44Z)
Boundary-Guided Policy Optimization for Memory-efficient RL of Diffusion Large Language Models [53.339700196282905]
大きな言語モデル(dLLM)に強化学習を適用する上で重要な課題は、その可能性関数の抽出性である。本稿では,ELBOに基づく目的の特別に構築された下界を最大化するメモリ効率のRLアルゴリズムを提案する。実験によると、BGPOは数学の問題解決、コード生成、計画タスクにおいて、dLLMの以前のRLアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2025-10-13T17:47:50Z)
Geminet: Learning the Duality-based Iterative Process for Lightweight Traffic Engineering in Changing Topologies [53.38648279089736]
Geminetは軽量でスケーラブルなMLベースのTEフレームワークで、トポロジの変更を処理できる。そのニューラルネットワークサイズは、既存のスキームの0.04%から7%に過ぎない。大規模なトポロジでトレーニングすると、Geminetは10ギB未満のメモリを消費し、HARPが要求する80ギBの8倍以下である。
論文参考訳（メタデータ） (2025-06-30T09:09:50Z)
Heuristic and Optimal Synthesis of CNOT and Clifford Circuits [3.1952340441132474]
CNOTゲートからなる回路に相当する線形可逆回路は、古典計算において重要な応用である。 CNOTと一般クリフォード回路合成の手法として,絡み合う2ビットゲート数や回路深さを最小化する手法を提案する。アルゴリズムは、古典的および量子コンピューティングコミュニティが使用するGitHubリポジトリに実装されている。
論文参考訳（メタデータ） (2025-03-18T19:09:58Z)
Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
線形最小化オラクル(LMO)を用いて問題の幾何学に適応する新しいアルゴリズム群を提案する。我々は,Adamに頼らずに,我々のアルゴリズムであるScionを用いたナノGPTトレーニングの大幅な高速化を示す。
論文参考訳（メタデータ） (2025-02-11T13:10:34Z)
A Scalable Quantum Neural Network for Approximate SRBB-Based Unitary Synthesis [1.3108652488669736]
拡張性のある量子ニューラルネットワークは、任意のユニタリ進化を近似する手段として導入された。 SRBBベースの合成アルゴリズムは、実際のハードウェア上でもテストされる。
論文参考訳（メタデータ） (2024-12-04T07:21:23Z)
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)
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)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)

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。