論文の概要: SQARL: A Size-Agnostic Reinforcement Learning approach for Circuit Allocation in Distributed Quantum Architectures
- arxiv url: http://arxiv.org/abs/2605.27027v1
- Date: Tue, 26 May 2026 13:48:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.197151
- Title: SQARL: A Size-Agnostic Reinforcement Learning approach for Circuit Allocation in Distributed Quantum Architectures
- Title（参考訳）: SQARL:分散量子アーキテクチャにおける回路配置のためのサイズに依存しない強化学習手法
- Authors: Víctor Carballo, Júlia López-Closa, Mario Martin,
- Abstract要約: 量子プロセッサのスケーリングは現在、デコヒーレンスやクロストークといった技術的な課題によって制限されている。
分散量子コンピューティングは、より小さく、扱いやすい量子プロセッサ(コア)を相互接続することで、これらの制限に対処する。
通信コストを最小化しながらコアに量子回路を分散するタスクは、Qubit Allocation problemとして知られている。
- 参考スコア（独自算出の注目度）: 0.5461938536945722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The scaling of quantum processors is currently limited by technical challenges such as decoherence and cross-talk. As the number of qubits grows, interference increases the computational noise. Distributed quantum computing addresses these limitations by interconnecting smaller, easier-to-handle quantum processors (cores), but it introduces the challenge of minimizing slow, error-prone inter-core communication. The task of distributing quantum circuits across cores while minimizing communication costs is known as the Qubit Allocation problem. This work focuses on developing a deep learning approach to this problem, emphasizing flexibility to quantum hardware topology and improving state-of-the-art performance. Heuristic and non-learning algorithms, such as the Hungarian Qubit Allocation (HQA), currently represent the state of the art. Reinforcement Learning (RL) approaches leverage learned allocation policies but often lack flexibility, requiring retraining when hardware configurations change, and they fall short of the solution quality achieved by non-learning methods. However, learning mechanisms could outperform human-crafted heuristics. To overcome these limitations, this work proposes a flexible, transformer-based architecture that can handle arbitrary numbers of qubits and cores without retraining. Results show that the trained policy consistently outperforms the previous RL state of the art and narrows the gap between RL and HQA for the most common circuits. It achieves a 33% reduction in allocation cost relative to the HQA for the Cuccaro Adder and 25% on average for random circuits. These findings show that learning-based approaches can effectively match the performance of hand-crafted heuristics, a crucial step towards their application in real-world scenarios.
- Abstract（参考訳）: 量子プロセッサのスケーリングは現在、デコヒーレンスやクロストークといった技術的な課題によって制限されている。
量子ビットの数が増加するにつれて、干渉は計算ノイズを増加させる。
分散量子コンピューティングは、より小さく、扱いやすい量子プロセッサ(コア)を相互接続することでこれらの制限に対処するが、遅く、エラーを起こしやすいコア間通信を最小化するという課題が持ち込まれる。
通信コストを最小化しながらコアに量子回路を分散するタスクは、Qubit Allocation problemとして知られている。
この研究は、この問題に対するディープラーニングアプローチの開発、量子ハードウェアトポロジへの柔軟性の強調、最先端のパフォーマンス向上に重点を置いている。
ハンガリーのQubit Allocation(HQA)のようなヒューリスティックな非学習アルゴリズムは、現在最先端の最先端を表現している。
強化学習(RL)アプローチは、学習したアロケーションポリシを活用するが、フレキシビリティを欠くことが多く、ハードウェア構成の変更時に再トレーニングを必要とし、非学習メソッドによって達成されるソリューション品質に欠ける。
しかし、学習メカニズムは人造ヒューリスティックよりも優れる可能性がある。
これらの制限を克服するために、この研究は、任意の数の量子ビットとコアを再トレーニングせずに処理できるフレキシブルでトランスフォーマーベースのアーキテクチャを提案する。
その結果、トレーニングされたポリシーは従来のRLよりも一貫して優れており、最も一般的な回路ではRLとHQAのギャップを狭めることがわかった。
これは、カカロ加算器のHQAに対する割り当てコストを33%削減し、ランダム回路の平均25%を達成している。
これらの結果から,手作りのヒューリスティックスの性能と学習に基づくアプローチが効果的に一致できることが示唆された。
関連論文リスト
- Adaptive Job Scheduling in Quantum Clouds Using Reinforcement Learning [1.0542466736167886]
現在の量子システムは、量子ビット数制限、短いコヒーレンス間隔、エラーに対する高い感受性など、重大なボトルネックに直面している。
本稿では、リアルタイムな古典チャネルを介して接続されたネットワークQPU上での分散スケジューリングと並列実行をサポートするシミュレーションベースのツールを提案する。
論文 参考訳（メタデータ） (2025-06-12T16:54:19Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search [2.345518191053745]
変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。
量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。
有望なアプローチとして出現する強化学習(RL)。
$textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
論文 参考訳（メタデータ） (2025-05-14T13:23:34Z) - Spatial and temporal circuit cutting with hypergraphic partitioning [0.0]
本稿では,空間的シナリオと時間的シナリオの両方に適したハイパーグラフに基づく回路切断手法を提案する。
量子回路を高レベルハイパーグラフとしてモデル化することにより、Stoer-Wagner、Fiduccia-Mattheyses、Kernighan-Linなどの分割を適用できる。
論文 参考訳（メタデータ） (2025-04-12T20:31:07Z) - 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) - Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures [1.8781124875646162]
この研究は、効率的な量子回路のコンパイルとマッピングのための新しい学習ベースのアプローチを導入することにより、スケーラブルな量子コンピューティングシステムの進歩に寄与する。
本研究では,Deep Reinforcement Learning (DRL) 手法を応用して,特定のマルチコアアーキテクチャのための学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-17T12:09:11Z) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - 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。