Pauli Network Circuit Synthesis with Reinforcement Learning

要約

Clifford Operationsとともに、任意のPauli回転を含む量子回路の再合成のための強化学習（RL）ベースの方法を導入します。
各サブブロックをコンパクトな表現に倒し、学習したヒューリスティックを介して段階的に合成することにより、より短く、ハードウェア接続の制約に準拠した回路を取得します。
この方法は、最適化手順として機能するのに十分な速さで十分に優れていることがわかりました。最先端のヒューリスティックな方法との6 Qubitランダムパウリネットワークの直接的な比較では、RLアプローチは、回路あたり10ミリ秒未満で実行されながら、2キュービットゲートカウントで2倍以上の減少をもたらします。
さらに、この方法をQiskit Transpiler Passとして適用するコレクトアンドレシデスのパイプラインに統合します。ここでは、2回のゲート数と深さで20％の平均改善が観察され、多くの場合、ベンチプレスベンチマーク全体で最大60％に達します。
これらの結果は、RL駆動型の合成の可能性を強調し、現実的で大規模な量子輸送ワークロードの回路の品質を大幅に向上させます。

要約(オリジナル)

We introduce a Reinforcement Learning (RL)-based method for re-synthesis of quantum circuits containing arbitrary Pauli rotations alongside Clifford operations. By collapsing each sub-block to a compact representation and then synthesizing it step-by-step through a learned heuristic, we obtain circuits that are both shorter and compliant with hardware connectivity constraints. We find that the method is fast enough and good enough to work as an optimization procedure: in direct comparisons on 6-qubit random Pauli Networks against state-of-the-art heuristic methods, our RL approach yields over 2x reduction in two-qubit gate count, while executing in under 10 milliseconds per circuit. We further integrate the method into a collect-and-re-synthesize pipeline, applied as a Qiskit transpiler pass, where we observe average improvements of 20% in two-qubit gate count and depth, reaching up to 60% for many instances, across the Benchpress benchmark. These results highlight the potential of RL-driven synthesis to significantly improve circuit quality in realistic, large-scale quantum transpilation workloads.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google