論文の概要: Quantum circuit optimization using deep reinforcement learning: Applications across multiple gate sets
- arxiv url: http://arxiv.org/abs/2608.19103v1
- Date: Wed, 19 Aug 2026 16:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.465803
- Title: Quantum circuit optimization using deep reinforcement learning: Applications across multiple gate sets
- Title（参考訳）: 深部強化学習を用いた量子回路最適化:複数ゲート集合間の応用
- Abstract要約: 本稿では,CRアルゴリズムを学習環境に直接組み込む学習フレームワークを提案する。
エージェントアクションの後に、CRアルゴリズムは基本的な通勤やキャンセルを自動的に解決する。
より小さな量子回路で訓練されたRLがより大きな量子回路に適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.8166364251367626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The practical implementation of quantum algorithms on noisy intermediate-scale quantum devices encounters operational limitations due to decoherence and other sources of noise inherent in real hardware. To mitigate these errors while preserving the original functionality of the algorithm, shorter quantum circuits are therefore preferred. This motivates the development of effective quantum circuit optimization algorithms. Learning-based approaches have emerged as a leading candidate, yet existing autonomous agents remain inefficient, spending most of their training capacity rediscovering elementary reductions that deterministic rule-based methods already handle reliably. To address this challenge, we propose a reinforcement learning framework that embeds a deterministic Commutation-and-Reduction (CR) algorithm directly into the training environment. After every agent action, the CR algorithm automatically resolves elementary commutations and cancellations, enabling the agent to focus its learning capacity on the non-trivial optimizations where reinforcement learning adds real value. Empirical evaluation across two gate sets, the universal Clifford+T basis and the CNOT+Pauli basis, shows that RL+CR produces shorter circuits than a standard RL agent at all tested scales. We demonstrate that RL trained on smaller quantum circuits can be applied to larger quantum circuits. On 20-qubit Clifford+T circuits, five times larger than the training circuits, RL+CR removes twice as many gates as standard RL. This work provides a robust approach that could accelerate the compilation and optimization processes for future fault-tolerant and utility-scale quantum systems.
- Abstract（参考訳）: ノイズの多い中間スケール量子デバイス上での量子アルゴリズムの実践的実装は、実際のハードウェアに固有のデコヒーレンスやその他のノイズ源による運用上の制限に直面している。
アルゴリズムの本来の機能を保ちながらこれらのエラーを軽減するために、より短い量子回路が好ましい。
これは効率的な量子回路最適化アルゴリズムの開発を動機付けている。
学習ベースのアプローチは主要な候補として浮上しているが、既存の自律エージェントは依然として非効率であり、そのトレーニング能力の大部分が、決定論的ルールベースの方法がすでに確実に扱っている基本的な削減を再発見するために費やされている。
この課題に対処するために,決定論的計算・還元(CR)アルゴリズムを学習環境に直接組み込む強化学習フレームワークを提案する。
すべてのエージェントアクションの後、CRアルゴリズムは基本的な通勤やキャンセルを自動的に解決し、強化学習が真の価値を付加する非自明な最適化に学習能力を集中させることができる。
Clifford+T 基底と CNOT+Pauli 基底の2つのゲート集合における経験的評価は、RL+CR が標準 RL エージェントよりも全ての試験スケールで短い回路を生成することを示している。
より小さな量子回路で訓練されたRLがより大きな量子回路に適用可能であることを示す。
20ビットのクリフォード+T回路では、RL+CRはトレーニング回路の5倍の大きさで、標準のRLの2倍のゲートを除去する。
この研究は、将来のフォールトトレラントおよびユーティリティスケール量子システムのコンパイルと最適化プロセスを加速する堅牢なアプローチを提供する。
関連論文リスト
- Scalable Quantum Error Mitigation with Neighbor-Informed Learning [16.56662295818668]
我々は,汎用的でスケーラブルな量子エラー軽減フレームワークであるNILを導入する。
NILは、その構造的に関連する隣人の回路のノイズ出力から、ターゲット量子回路の理想的な出力を予測することを学ぶ。
機械学習モデルのためのトレーニングデータを生成する2設計のトレーニング手法が重要なイノベーションである。
論文 参考訳（メタデータ） (2025-12-14T07:07:48Z) - Hybrid Reward-Driven Reinforcement Learning for Efficient Quantum Circuit Synthesis [0.0]
量子回路の効率的な合成のための強化学習フレームワークが導入された。
このフレームワークは、ターゲット状態に向かってエージェントを誘導する静的なドメインインフォームド報酬と、カスタマイズ可能な動的ペナルティを組み合わせたものだ。
最大7キュービットのグラフ状態準備タスクのベンチマークを行い、アルゴリズムが最小深度回路を常に発見できることを実証した。
論文 参考訳（メタデータ） (2025-07-22T14:39:20Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - 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) - 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) - 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) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳（メタデータ） (2022-04-12T19:39:31Z) - Quantum Architecture Search via Continual Reinforcement Learning [0.0]
本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。
本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
論文 参考訳（メタデータ） (2021-12-10T19:07:56Z) - 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)
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。