Quantum circuit synthesis with diffusion models

要約

量子コンピューティングは最近、革新的な技術として台頭してきた。しかし、その利点は、量子演算を実行可能な物理的実現に効率的に変換することに依存している。本研究では、この変換を促進するために、生成的機械学習モデル、特にノイズ除去拡散モデル（DM）を使用する。テキストコンディショニングを活用することで、ゲートベースの量子回路で望ましい量子演算を生成するようにモデルを制御する。DMは、量子ダイナミクスの古典的シミュレーションに特有の指数関数的なオーバーヘッドを学習中に回避することができる。我々は、エンタングルメント生成とユニタリーコンパイルの2つのタスクにおいて、このモデルの能力を実証した。このモデルは、新しい回路を生成することに優れており、例えば、回路生成を対象とする量子デバイスの制約に合わせるためのマスキングや編集といった典型的なDM拡張をサポートしている。その柔軟性と汎化能力を考慮すると、DMは量子回路合成において極めて重要であり、実用的なアプリケーションだけでなく、理論的な量子計算の洞察も高めることができると考えている。

要約(オリジナル)

Quantum computing has recently emerged as a transformative technology. Yet, its promised advantages rely on efficiently translating quantum operations into viable physical realizations. In this work, we use generative machine learning models, specifically denoising diffusion models (DMs), to facilitate this transformation. Leveraging text-conditioning, we steer the model to produce desired quantum operations within gate-based quantum circuits. Notably, DMs allow to sidestep during training the exponential overhead inherent in the classical simulation of quantum dynamics — a consistent bottleneck in preceding ML techniques. We demonstrate the model’s capabilities across two tasks: entanglement generation and unitary compilation. The model excels at generating new circuits and supports typical DM extensions such as masking and editing to, for instance, align the circuit generation to the constraints of the targeted quantum device. Given their flexibility and generalization abilities, we envision DMs as pivotal in quantum circuit synthesis, enhancing both practical applications but also insights into theoretical quantum computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL