TensorRL-QAS: Reinforcement learning with tensor networks for scalable quantum architecture search

要約

バリエーション量子アルゴリズムは、騒々しい中間スケールの量子ハードウェアですでに意味のある量子問題に対処するという約束を抱えていますが、ターゲットの問題を解決し、デバイスの制限に準拠する量子回路を設計するという課題に直面しています。
Quantum Architecture Search（QAS）この設計プロセスを自動化し、強化学習（RL）が有望なアプローチとして浮上します。
しかし、RLベースのQASメソッドは、計算およびトレーニングコストがQUBITS、回路の深さ、ノイズの数とともに急速に増加し、パフォーマンスに深刻な影響を与えるため、重大なスケーラビリティの問題が発生します。
これらの課題に対処するために、テンソルネットワーク（TN）メソッドと量子回路を設計するためのRLを組み合わせたスケーラブルなフレームワークである$ \ TextIT {Tensorrl-Qas} $を紹介します。
ターゲットソリューションのマトリックス製品状態近似でアーキテクチャ検索をウォームスタートすることにより、TENSORR-QAは、検索空間を物理的に意味のある回路に効果的に狭め、目的のソリューションへの収束を加速します。
最大12クットのいくつかの量子化学的問題でテストされたTensorr-QASは、化学的精度を維持または上回りながら、ベースライン法と比較してCNOTカウントと回路の深さを最大10倍減少させます。
関数の評価を最大100倍削減し、トレーニングエピソードを最大98ドル\％$で加速し、ベースラインアプローチの$ <1 \％$レートを超える10 qubit Systems-FARで最大50ドルの成功確率を達成します。 堅牢性と汎用性は、最大8クットのシミュレーションを報告するノイズレスとノイズの多いシナリオの両方で実証されています。 これらの進歩により、Tensorr-QAは、短期量子ハードウェアのスケーラブルで効率的な量子回路発見プロトコルの有望な候補として確立されます。

要約(オリジナル)

Variational quantum algorithms hold the promise to address meaningful quantum problems already on noisy intermediate-scale quantum hardware, but they face the challenge of designing quantum circuits that both solve the target problem and comply with device limitations. Quantum architecture search (QAS) automates this design process, with reinforcement learning (RL) emerging as a promising approach. Yet, RL-based QAS methods encounter significant scalability issues, as computational and training costs grow rapidly with the number of qubits, circuit depth, and noise, severely impacting performance. To address these challenges, we introduce $\textit{TensorRL-QAS}$, a scalable framework that combines tensor network (TN) methods with RL for designing quantum circuits. By warm-starting the architecture search with a matrix product state approximation of the target solution, TensorRL-QAS effectively narrows the search space to physically meaningful circuits, accelerating convergence to the desired solution. Tested on several quantum chemistry problems of up to 12-qubit, TensorRL-QAS achieves up to a 10-fold reduction in CNOT count and circuit depth compared to baseline methods, while maintaining or surpassing chemical accuracy. It reduces function evaluations by up to 100-fold, accelerates training episodes by up to $98\%$, and achieves up to $50\%$ success probability for 10-qubit systems-far exceeding the $<1\%$ rates of baseline approaches. Robustness and versatility are demonstrated both in the noiseless and noisy scenarios, where we report a simulation of up to 8-qubit. These advancements establish TensorRL-QAS as a promising candidate for a scalable and efficient quantum circuit discovery protocol on near-term quantum hardware.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google