Sintesi di circuiti quantistici discreti-continui con modelli di diffusione multimodale
Synthesis of discrete-continuous quantum circuits with multimodal diffusion models
June 2, 2025
Autori: Florian Fürrutter, Zohim Chandani, Ikko Hamamura, Hans J. Briegel, Gorka Muñoz-Gil
cs.AI
Abstract
La compilazione efficiente delle operazioni quantistiche rimane un collo di bottiglia significativo nel ridimensionamento del calcolo quantistico. I metodi all'avanguardia odierni raggiungono un basso errore di compilazione combinando algoritmi di ricerca con l'ottimizzazione dei parametri basata su gradienti, ma comportano tempi di esecuzione lunghi e richiedono molteplici chiamate all'hardware quantistico o simulazioni classiche costose, rendendo il loro ridimensionamento proibitivo. Recentemente, i modelli di machine learning sono emersi come alternativa, sebbene siano attualmente limitati a insiemi di gate discreti. Qui, introduciamo un modello di diffusione multimodale per la rimozione del rumore che genera simultaneamente la struttura di un circuito e i suoi parametri continui per compilare un'unità target. Sfrutta due processi di diffusione indipendenti, uno per la selezione discreta dei gate e uno per la previsione dei parametri. Valutiamo il modello su diversi esperimenti, analizzando l'accuratezza del metodo rispetto a vari numeri di qubit, profondità dei circuiti e proporzioni di gate parametrizzati. Infine, sfruttando la sua rapida generazione di circuiti, creiamo grandi dataset di circuiti per operazioni specifiche e li utilizziamo per estrarre euristiche preziose che possono aiutarci a scoprire nuove intuizioni sulla sintesi dei circuiti quantistici.
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.