Síntesis de circuitos cuánticos discretos-continuos con modelos de difusión multimodal

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

June 2, 2025

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

cs.AI

Resumen

La compilación eficiente de operaciones cuánticas sigue siendo un cuello de botella importante en la escalabilidad de la computación cuántica. Los métodos más avanzados actuales logran un bajo error de compilación al combinar algoritmos de búsqueda con optimización de parámetros basada en gradientes, pero incurren en tiempos de ejecución prolongados y requieren múltiples llamadas al hardware cuántico o simulaciones clásicas costosas, lo que hace que su escalabilidad sea prohibitiva. Recientemente, los modelos de aprendizaje automático han surgido como una alternativa, aunque actualmente están restringidos a conjuntos de puertas discretas. Aquí, presentamos un modelo de difusión multimodal de eliminación de ruido que genera simultáneamente la estructura de un circuito y sus parámetros continuos para compilar una unitaria objetivo. Este modelo aprovecha dos procesos de difusión independientes, uno para la selección de puertas discretas y otro para la predicción de parámetros. Evaluamos el modelo en diferentes experimentos, analizando la precisión del método en función del número de qubits, la profundidad del circuito y la proporción de puertas parametrizadas. Finalmente, al aprovechar su rápida generación de circuitos, creamos grandes conjuntos de datos de circuitos para operaciones específicas y los utilizamos para extraer heurísticas valiosas que pueden ayudarnos a descubrir nuevos conocimientos sobre la síntesis de circuitos cuánticos.

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.