論文の概要: Reinforcement learning for ion shuttling on trapped-ion quantum computers

• arxiv url: http://arxiv.org/abs/2605.22463v1
• Date: Thu, 21 May 2026 13:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.272473
• Title: Reinforcement learning for ion shuttling on trapped-ion quantum computers
• Title（参考訳）: 閉じ込められたイオン量子コンピュータにおけるイオンシャットリングの強化学習
• Authors: Maximilian Schier, Lea Richtmann, Christian Staufenbiel, Tobias Schmale, Daniel Borcherding, Michèle Heurs, Bodo Rosenhahn,
• Abstract要約: イオン遮断の最適化に強化学習(RL)を初めて用いた例を示す。 我々のRLアプローチは現在の最先端技術よりも優れており、最大36.3%のシャットリング操作が減少することを示す。 提案手法は,チップ設計におけるシャットリング効率を研究するための汎用的な手法を提供する。
• 参考スコア（独自算出の注目度）: 20.35569627153163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable trapped-ion quantum computing is commonly realized with modular chips that feature distinct zones with specific functionalities, such as storage, state preparation, and gate execution. To execute a quantum circuit, the ions must be transported between these zones. This process is called ion shuttling. To achieve reliable computation results, the shuttling process must be optimized. However, as the number of ions increases, this becomes a high-dimensional optimization problem where optimal solutions cannot be computed efficiently. We demonstrate, to the best of our knowledge, the first use of reinforcement learning (RL) for the optimization of ion shuttling. RL is well-suited for such scenarios, as it enables learning a strategy through direct interaction with the problem. We show that our RL approach outperforms current state-of-the-art heuristic techniques, yielding a reduction in shuttling operations of up to 36.3 %. Furthermore, we show that our method is easily applicable to various chip architectures. Our approach offers a versatile method to study shuttling efficiency during chip design and, therefore, a highly relevant tool for future, more complex architectures.
• Abstract（参考訳）: スケーラブルなトラップオン量子コンピューティングは、ストレージ、状態準備、ゲート実行といった特定の機能を持つ異なるゾーンを特徴とするモジュールチップで一般的に実現されている。 量子回路を実行するには、これらのゾーン間でイオンを輸送する必要がある。 この過程をイオンシャットリング(ion shuttling)と呼ぶ。 信頼性の高い計算結果を得るためには、シャットリング処理を最適化する必要がある。 しかし、イオンの数が増加するにつれて、最適解を効率的に計算できないような高次元最適化問題となる。 我々の知る限りでは、イオンシャットリングの最適化に強化学習(RL)を最初に用いた例を示す。 RLは、問題と直接対話することで戦略を学ぶことができるので、このようなシナリオに適しています。 我々のRLアプローチは現状のヒューリスティック手法よりも優れており,最大36.3%のシャットリング動作が減少することを示した。 さらに,本手法は様々なチップアーキテクチャに適用可能であることを示す。 提案手法は,チップ設計におけるシャットリング効率を研究するための汎用的な手法を提供する。

関連論文リスト

• Learning to Reason as Action Abstractions with Scalable Mid-Training RL [55.24192942739207]
  効果的な中間訓練フェーズは、有用なアクションのコンパクトなセットを特定し、高速な選択を可能にする。 本稿では,スケーラブルなミッドトレーニングアルゴリズムであるReasoning as Action Abstractions (RA3)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T05:34:20Z)
• CutQAS: Topology-aware quantum circuit cutting via reinforcement learning [0.0]
  量子回路切断と量子アーキテクチャ探索(QAS)を統合して量子化学シミュレーションを強化するフレームワークであるCutQASを提案する。 まず、RLエージェントが最適回路構造を特定するために可能な全てのトポロジを探索し、次いで第2のRLエージェントが最適な回路切断を決定することにより選択したトポロジを洗練し、制約のあるハードウェア上での効率的な実行を保証する。
  論文  参考訳（メタデータ） (2025-04-05T13:13:50Z)
• Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
  我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。 画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
  論文  参考訳（メタデータ） (2024-12-19T18:58:14Z)
• Reinforcement Learning Based Quantum Circuit Optimization via ZX-Calculus [0.0]
  本稿では,ZX-ダイアグラムのグラフ理論的単純化規則を用いて,量子回路を最適化するための新しい強化学習法を提案する。 そこで本研究では,ZX-Calculusをベースとした最良性能のアルゴリズムと比較し,提案手法の能力を示す。
  論文  参考訳（メタデータ） (2023-12-18T17:59:43Z)
• Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits [55.616364225463066]
  強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。 私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。 本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-21T10:16:03Z)
• 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)
• 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)
• L2ight: Enabling On-Chip Learning for Optical Neural Networks via Efficient in-situ Subspace Optimization [10.005026783940682]
  シリコンフォトニクスベースの光ニューラルネットワーク(ONN)は、効率的なAIのパラダイムシフトを示す可能性のある、有望なハードウェアプラットフォームである。 そこで本研究では,スケーラブルなONNマッピングと効率的なin-situ学習を実現するための,閉ループONNオンチップ学習フレームワークL2ightを提案する。
  論文  参考訳（メタデータ） (2021-10-27T22:53:47Z)
• Quantum circuit optimization with deep reinforcement learning [3.047409448159345]
  本稿では,強化学習に基づく量子回路最適化手法を提案する。 エージェントがディープ畳み込みニューラルネットワークによって実現され、任意の回路を最適化するための汎用戦略を自律的に学習する方法を実証する。 トレーニングで使用されるよりも大きな回路への外挿について検討し、この手法を短期量子デバイスにどのように活用するかを考察する。
  論文  参考訳（メタデータ） (2021-03-13T00:49:51Z)

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。