論文の概要: QuTuner: Feature- and Learning-Guided Optimization Pass Tuning for Quantum Compilers

• arxiv url: http://arxiv.org/abs/2607.04586v1
• Date: Mon, 06 Jul 2026 01:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.985515
• Title: QuTuner: Feature- and Learning-Guided Optimization Pass Tuning for Quantum Compilers
• Title（参考訳）: QuTuner: 量子コンパイラのための機能と学習ガイドによる最適化パスチューニング
• Authors: Ming Zhong, Xiangyu Ren, Jinglei Cheng, Shaohua Li, Zhiding Liang,
• Abstract要約: 機能誘導型量子コンパイラパスチューニングフレームワークQuTunerを提案する。 我々はQuTunerが量子コンパイラの適応パスチューニングに効果的なアプローチを提供することを示す。
• 参考スコア（独自算出の注目度）: 8.601841468588587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum compilers play a key role in transforming quantum circuits into lower-cost implementations with improved execution fidelity. This process is commonly guided by circuit-level metrics, such as gate counts and circuit depth. Although compiler pass tuning has been widely studied in classical compilation, directly transferring these techniques to quantum compilers is challenging, because quantum programs are expressed as circuits and exhibit optimization behaviors that are shaped by quantum-specific structures. Prior quantum compiler tuning approaches have begun to use circuit features to guide pass selection, but they remain limited in two aspects: they search only a small portion of the optimization-pass space, and they mainly rely on static features that do not explicitly reflect how a circuit reacts to compiler optimizations. We present QuTuner, a feature-guided quantum compiler pass tuning framework that generalizes across compilers and tuning objectives. QuTuner first builds a large optimization dataset. It then characterizes each circuit from two complementary views: static circuit features that describe circuit structure, and optimization-aware pass embeddings that summarize the circuit's responses to individual optimization passes. Using these representations, QuTuner trains two offline models to retrieve and rank candidate pass sequences for unseen circuits, followed by lightweight refinement. We evaluate QuTuner on Qiskit and PyTKET using two benchmark suites. On Qiskit, QuTuner improves the evaluation-metric reduction by up to 84.85% over the strongest baseline while reducing tuning time by 73.59%. On PyTKET, it improves metric reduction by up to 18.68% with a 64.49% reduction in tuning time. These results show that QuTuner provides an effective approach to adaptive pass tuning for quantum compilers.
• Abstract（参考訳）: 量子コンパイラは、量子回路を低コストの実装に変換する上で重要な役割を果たす。 このプロセスは一般的にゲート数や回路深さといった回路レベルのメトリクスによって導かれる。 コンパイラパスチューニングは古典的なコンパイルにおいて広く研究されているが、量子プログラムは回路として表現され、量子固有の構造によって形成される最適化挙動を示すため、これらの技術を直接量子コンパイラに転送することは困難である。 従来の量子コンパイラチューニングアプローチでは、回路機能を使ってパス選択を導いてきたが、それらは最適化パス空間のごく一部しか探索せず、回路がコンパイラの最適化にどう反応するかを明示的に反映しない静的機能に依存している。 本稿では,機能誘導型量子コンパイラパスチューニングフレームワークQuTunerについて紹介する。 QuTunerはまず、大規模な最適化データセットを構築する。 次に、回路構造を記述する静的回路特徴と、個別の最適化パスに対する回路の応答を要約する最適化対応パス埋め込みの2つの相補的なビューから、各回路を特徴付ける。 これらの表現を用いて、QuTunerは2つのオフラインモデルをトレーニングし、未確認回路の候補パスシーケンスを検索およびランク付けし、続いて軽量な改良を行った。 2つのベンチマークスイートを用いてQiskitとPyTKETのQuTunerを評価する。 Qiskitでは、QuTunerは最強のベースラインを84.85%上回り、チューニング時間を73.59%削減した。 PyTKETでは、チューニング時間を64.49%削減し、メートル法を最大18.68%改善する。 これらの結果は、QuTunerが量子コンパイラの適応パスチューニングに効果的なアプローチを提供することを示している。

関連論文リスト

• Accelerating Transpilation in Quantum Machine Learning with Haiqu's Rivet-transpiler [45.88028371034407]
  我々は、以前にトランスパイルされた回路を再利用してトランスパイラを高速化するリベットトランスパイラを開発した。 量子層学習において,600%のトランスパイル時間の改善を実証した。
  論文  参考訳（メタデータ） (2025-08-29T06:00:29Z)
• Optimization and Synthesis of Quantum Circuits with Global Gates [41.99844472131922]
  我々は、イオントラップハードウェアに存在するGlobal Molmer-Sorensenゲートのようなグローバルな相互作用を用いて量子回路を最適化し、合成する。 このアルゴリズムはZX計算に基づいており、係留ゲートをGlobal MolmerSorensenゲートにグループ化する特別な回路抽出ルーチンを使用する。 我々は,このアルゴリズムを様々な回路でベンチマークし,最新ハードウェアによる性能向上の方法を示す。
  論文  参考訳（メタデータ） (2025-07-28T10:25:31Z)
• Optimizing Quantum Circuits, Fast and Slow [7.543907169342984]
  本稿では,リライトと再合成を抽象回路変換として考えるための枠組みを提案する。 次に,量子回路を最適化するアルゴリズムGUOQを提案する。
  論文  参考訳（メタデータ） (2024-11-06T18:34:35Z)
• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• Quantum Circuit Unoptimization [0.6449786007855248]
  我々は、量子回路最適化と呼ばれる量子アルゴリズムプリミティブを構築する。 回路等価性を保ちながらいくつかの冗長性を導入することで、与えられた量子回路複合体を作る。 我々は、量子回路の最適化を用いて、コンパイラベンチマークを生成し、回路最適化性能を評価する。
  論文  参考訳（メタデータ） (2023-11-07T08:38:18Z)
• Optimization at the Interface of Unitary and Non-unitary Quantum Operations in PCOAST [0.3496513815948205]
  Pauliベースの回路最適化・分析・合成ツールチェーン(PCOAST)は、量子回路を最適化するためのフレームワークとして導入された。 本稿では,単元演算と非単元演算の場合にPCOASTグラフを最適化するサブルーチンの集合に着目した。 本稿では,変分量子固有解法(VQE)アルゴリズムの例として,Intel Quantum SDKを用いたPCOAST最適化サブルーチンの評価を行った。
  論文  参考訳（メタデータ） (2023-05-16T22:58:14Z)
• 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)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。