A Rubik’s Cube inspired approach to Clifford synthesis

要約

任意のクリフォード要素を一連のクリフォード ゲートに分解する問題は、クリフォード合成として知られています。
これと有名なルービック キューブ問題との類似点からインスピレーションを得て、私たちは恒等距離の近似値の学習に基づいたクリフォード合成の機械学習アプローチを開発しました。
このアプローチは確率的であり、大量の計算を要します。
ただし、分解が正常に見つかった場合、既存の合成アルゴリズムよりも必要なゲートの数が少なくなることがよくあります。
さらに、当社のアプローチは、任意のゲート セット、デバイス トポロジ、ゲート忠実度を組み込むことができるため、既存のアルゴリズムよりもはるかに柔軟であり、特定のデバイスに合わせてアプローチを調整することができます。

要約(オリジナル)

The problem of decomposing an arbitrary Clifford element into a sequence of Clifford gates is known as Clifford synthesis. Drawing inspiration from similarities between this and the famous Rubik’s Cube problem, we develop a machine learning approach for Clifford synthesis based on learning an approximation to the distance to the identity. This approach is probabilistic and computationally intensive. However, when a decomposition is successfully found, it often involves fewer gates than existing synthesis algorithms. Additionally, our approach is much more flexible than existing algorithms in that arbitrary gate sets, device topologies, and gate fidelities may incorporated, thus allowing for the approach to be tailored to a specific device.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google