Quantum circuit synthesis with diffusion models

要約

量子コンピューティングは、革新的なテクノロジーとして最近登場しました。
しかし、その約束された利点は、量子操作を実行可能な物理的実現に効率的に変換できるかどうかにかかっています。
この研究では、生成機械学習モデル、特にノイズ除去拡散モデル (DM) を使用して、この変換を促進します。
テキストコンディショニングを活用して、ゲートベースの量子回路内で目的の量子操作を生成するようにモデルを操作します。
特に、DM を使用すると、量子力学の古典的なシミュレーションに固有の指数関数的なオーバーヘッド (これまでの ML 手法における一貫したボトルネック) をトレーニング中に回避できます。
エンタングルメント生成とユニタリー コンパイルという 2 つのタスクにわたるモデルの機能を実証します。
このモデルは新しい回路の生成に優れており、たとえば回路生成をターゲットの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などの典型的な DM 拡張機能をサポートしています。
その柔軟性と一般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への洞察も強化すると考えています。

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, Google