Synthese diskret-kontinuierlicher Quantenschaltungen mit multimodalen Diffusionsmodellen

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

June 2, 2025

Autoren: Florian Fürrutter, Zohim Chandani, Ikko Hamamura, Hans J. Briegel, Gorka Muñoz-Gil

cs.AI

Zusammenfassung

Die effiziente Kompilierung von Quantenoperationen bleibt ein wesentlicher Engpass bei der Skalierung des Quantencomputings. Die heutigen State-of-the-Art-Methoden erreichen geringe Kompilierungsfehler durch die Kombination von Suchalgorithmen mit gradientenbasierter Parameteroptimierung, verursachen jedoch lange Laufzeiten und erfordern mehrere Aufrufe von Quantenhardware oder teure klassische Simulationen, was ihre Skalierbarkeit erschwert. Kürzlich haben sich maschinelle Lernmodelle als Alternative etabliert, obwohl sie derzeit auf diskrete Gatter-Sets beschränkt sind. Hier stellen wir ein multimodales Denoising-Diffusionsmodell vor, das gleichzeitig die Struktur eines Schaltkreises und seine kontinuierlichen Parameter zur Kompilierung einer Zielunitären Matrix generiert. Es nutzt zwei unabhängige Diffusionsprozesse, einen für die diskrete Gatterauswahl und einen für die Parameterprognose. Wir evaluieren das Modell in verschiedenen Experimenten und analysieren die Genauigkeit der Methode bei unterschiedlichen Qubit-Anzahlen, Schaltkreistiefen und Anteilen parametrisierter Gatter. Schließlich nutzen wir die schnelle Schaltkreiserzeugung, um große Datensätze von Schaltkreisen für spezifische Operationen zu erstellen und verwenden diese, um wertvolle Heuristiken zu extrahieren, die uns neue Erkenntnisse in der Synthese von Quantenschaltkreisen liefern können.

English

Efficiently compiling quantum operations remains a major bottleneck in scaling quantum computing. Today's state-of-the-art methods achieve low compilation error by combining search algorithms with gradient-based parameter optimization, but they incur long runtimes and require multiple calls to quantum hardware or expensive classical simulations, making their scaling prohibitive. Recently, machine-learning models have emerged as an alternative, though they are currently restricted to discrete gate sets. Here, we introduce a multimodal denoising diffusion model that simultaneously generates a circuit's structure and its continuous parameters for compiling a target unitary. It leverages two independent diffusion processes, one for discrete gate selection and one for parameter prediction. We benchmark the model over different experiments, analyzing the method's accuracy across varying qubit counts, circuit depths, and proportions of parameterized gates. Finally, by exploiting its rapid circuit generation, we create large datasets of circuits for particular operations and use these to extract valuable heuristics that can help us discover new insights into quantum circuit synthesis.