Synthèse de circuits quantiques discrets-continus avec des modèles de diffusion multimodaux

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

June 2, 2025

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

cs.AI

Résumé

La compilation efficace des opérations quantiques reste un goulot d'étranglement majeur dans la mise à l'échelle de l'informatique quantique. Les méthodes actuelles les plus avancées obtiennent une faible erreur de compilation en combinant des algorithmes de recherche avec une optimisation des paramètres basée sur le gradient, mais elles entraînent des temps d'exécution longs et nécessitent de multiples appels au matériel quantique ou à des simulations classiques coûteuses, rendant leur mise à l'échelle prohibitive. Récemment, des modèles d'apprentissage automatique ont émergé comme alternative, bien qu'ils soient actuellement limités à des ensembles de portes discrètes. Ici, nous introduisons un modèle de diffusion débruiteur multimodal qui génère simultanément la structure d'un circuit et ses paramètres continus pour compiler une unitaire cible. Il exploite deux processus de diffusion indépendants, l'un pour la sélection discrète des portes et l'autre pour la prédiction des paramètres. Nous évaluons ce modèle sur différentes expériences, en analysant la précision de la méthode pour des nombres variables de qubits, des profondeurs de circuit et des proportions de portes paramétrées. Enfin, en exploitant sa génération rapide de circuits, nous créons de grands ensembles de données de circuits pour des opérations spécifiques et les utilisons pour extraire des heuristiques précieuses qui peuvent nous aider à découvrir de nouvelles perspectives sur la synthèse de circuits quantiques.

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.