Optimizing ZX-Diagrams with Deep Reinforcement Learning

要約

ZX ダイアグラムは、基本的な量子力学、量子回路の最適化、テンソル ネットワーク シミュレーションなどに応用できる、量子プロセスを記述するための強力なグラフィック言語です。
ZX ダイアグラムの有用性は、記述されている基礎となる量子プロセスを変更することなく、ZX ダイアグラムに適用できる一連のローカル変換ルールに依存しています。
これらのルールを利用して、さまざまなアプリケーションの ZX ダイアグラムの構造を最適化できます。
ただし、変換ルールの最適なシーケンスを見つけることは一般に未解決の問題です。
この研究では、ZX ダイアグラムと強化学習 (意思決定問題におけるアクションの最適なシーケンスを発見するように設計された機械学習手法) を組み合わせ、訓練された強化学習エージェントが貪欲戦略などの他の最適化手法よりも大幅に優れたパフォーマンスを発揮できることを示します。
またはシミュレートアニーリング。
グラフ ニューラル ネットワークを使用してエージェントのポリシーをエンコードすると、トレーニング段階で見られたものよりもはるかに大きな図への一般化が可能になります。

要約(オリジナル)

ZX-diagrams are a powerful graphical language for the description of quantum processes with applications in fundamental quantum mechanics, quantum circuit optimization, tensor network simulation, and many more. The utility of ZX-diagrams relies on a set of local transformation rules that can be applied to them without changing the underlying quantum process they describe. These rules can be exploited to optimize the structure of ZX-diagrams for a range of applications. However, finding an optimal sequence of transformation rules is generally an open problem. In this work, we bring together ZX-diagrams with reinforcement learning, a machine learning technique designed to discover an optimal sequence of actions in a decision-making problem and show that a trained reinforcement learning agent can significantly outperform other optimization techniques like a greedy strategy or simulated annealing. The use of graph neural networks to encode the policy of the agent enables generalization to diagrams much bigger than seen during the training phase.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google