Fugu-MT 論文翻訳(概要): TATVA: A Reinforcement Learning Framework for Quantum Circuit Synthesis

論文の概要: TATVA: A Reinforcement Learning Framework for Quantum Circuit Synthesis

arxiv url: http://arxiv.org/abs/2610.00945v1
Date: Thu, 01 Oct 2026 02:26:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.849569
Title: TATVA: A Reinforcement Learning Framework for Quantum Circuit Synthesis
Title（参考訳）: TATVA:量子回路合成のための強化学習フレームワーク
Abstract要約: TATVAは量子回路を合成するための強化学習システムである。このシステムは、0.999999999999の忠実さを達成しつつ最大5量子ビットを合成でき、コンパクトな回路を製造できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the most important initial steps in quantum computing is high-fidelity quantum state preparation, because errors in it can affect the final computational result. Therefore, one of the major challenges is to design a quantum circuit that can achieve the desired target state accurately with a smaller number of gates. Traditionally, circuits are designed using predefined rules and mathematical decompositions, but this makes it difficult to design circuits for different and complex target states. This paper presents TATVA, a reinforcement learning (RL) system for synthesizing quantum circuits. TATVA views circuit synthesis as a sequential decision problem in which the agents select one gate at a time and calculate the fidelity after each applied gate, with the gate producing the highest fidelity selected for the circuit. The system introduces a parallel architecture that uses two RL agents, Deep Q-Network (DQN) and Proximal Policy Optimization (PPO), along with Qiskit's statevector simulator. The system can synthesize up to 5 qubits while achieving a fidelity of 0.999999 and producing compact circuits. After achieving the desired fidelity, it performs a post-hoc optimization step that reduces the circuit depth while preserving the achieved fidelity. The circuit is finalized using fidelity, success rate, gate count, and circuit depth. Target states that are not used during training are used to test whether the system has learned effectively and can generalize beyond the training states. This approach aims to enable automatic quantum circuit synthesis with high fidelity using reinforcement learning.
Abstract（参考訳）: 量子コンピューティングにおける最も重要な初期ステップの1つは、そのエラーが最終的な計算結果に影響を与える可能性があるため、高忠実な量子状態の準備である。したがって、大きな課題の1つは、より少ないゲート数で所望の目標状態を正確に達成できる量子回路を設計することである。伝統的に、回路は事前に定義された規則と数学的分解を用いて設計されているが、異なる複雑なターゲット状態の回路を設計することは困難である。本稿では,量子回路を合成するための強化学習(RL)システムであるTATVAを提案する。 TATVAは、回路合成を、エージェントが1つのゲートを一度に選択し、各印加ゲートの後の忠実度を算出する逐次決定問題とみなし、回路に選択された最も忠実度の高いゲートを生成する。このシステムは、2つのRLエージェント、Deep Q-Network (DQN) と Proximal Policy Optimization (PPO) を使用する並列アーキテクチャと、Qiskitのステートベクタシミュレータを導入している。このシステムは最大5キュービットの合成が可能で、忠実度は0.999999で、コンパクトな回路を製造できる。所望の忠実度を達成した後、達成された忠実度を維持しながら回路深さを小さくするポストホック最適化ステップを実行する。回路は、忠実度、成功率、ゲート数、回路深さを用いて確定する。トレーニング中に使用されていないターゲットステートは、システムが効果的に学習し、トレーニングステートを超えて一般化できるかどうかをテストするために使用される。この手法は、強化学習を用いて高忠実度で量子回路の自動合成を実現することを目的としている。

関連論文リスト

FlowQ-Net: A Generative Framework for Automated Quantum Circuit Design [8.70817825961863]
自動量子回路合成のための生成フレームワークであるtextscFlowQ-Net(Flow-based Quantum Design Network)を紹介する。このフレームワークは、回路を順次構築するポリシーを学習し、それらをフレキシブルなユーザ定義報酬関数にサンプリングする。シミュレーションにより,textscFlowQ-Netの有効性を実証する。
論文参考訳（メタデータ） (2025-10-30T16:57:13Z)
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)
A multiple-circuit approach to quantum resource reduction with application to the quantum lattice Boltzmann method [39.671915199737846]
量子格子ボルツマン法(QLBM)における非圧縮性ナビエ-ストークス方程式の多重回路アルゴリズムを提案する。提案法は2次元蓋駆動キャビティフローに対して検証および実証を行った。
論文参考訳（メタデータ） (2024-01-20T15:32:01Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Nearest neighbor synthesis of CNOT circuits on general quantum architectures [11.150672883443338]
NISQデバイスは、接続性やハードウェアノイズに固有の制限がある。 CNOT回路の合成は物理的制約を考慮し、量子アルゴリズムを低レベル量子回路に変換する。本論文は、ハミルトニアンパスを持つアーキテクチャにおけるCNOT回路の近接合成について述べる。
論文参考訳（メタデータ） (2023-10-01T06:30:58Z)
Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
論文参考訳（メタデータ） (2023-03-07T22:15:43Z)
Quantum Gate Pattern Recognition and Circuit Optimization for Scientific Applications [1.6329956884407544]
回路最適化のための2つのアイデアを導入し、AQCELと呼ばれる多層量子回路最適化プロトコルに組み合わせる。 AQCELは、高エネルギー物理学における最終状態の放射をモデル化するために設計された反復的で効率的な量子アルゴリズム上に展開される。我々の手法は汎用的であり、様々な量子アルゴリズムに有用である。
論文参考訳（メタデータ） (2021-02-19T16:20:31Z)
QGo: Scalable Quantum Circuit Optimization Using Automated Synthesis [3.284627771501259]
NISQデバイスでは、CNOTのような2ビットゲートはシングルキュービットゲートよりもノイズが大きい。量子回路合成は、任意のユニタリを量子ゲートの列に分解する過程である。量子回路最適化のための階層的ブロック・バイ・ブロック最適化フレームワークQGoを提案する。
論文参考訳（メタデータ） (2020-12-17T18:54:38Z)
Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文参考訳（メタデータ） (2020-07-29T05:26:19Z)
QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。