多モード拡散モデルを用いた離散-連続量子回路の合成

要旨

量子操作の効率的なコンパイルは、量子コンピューティングのスケーリングにおける主要なボトルネックとなっている。現在の最先端の手法は、探索アルゴリズムと勾配ベースのパラメータ最適化を組み合わせることで低いコンパイル誤差を達成しているが、長時間の実行時間を要し、量子ハードウェアや高コストの古典シミュレーションへの複数回の呼び出しが必要となるため、そのスケーリングは困難である。最近、機械学習モデルが代替手段として登場しているが、現状では離散的なゲートセットに限定されている。本論文では、ターゲットとなるユニタリ操作をコンパイルするために、回路の構造と連続パラメータを同時に生成するマルチモーダルなノイズ除去拡散モデルを提案する。このモデルは、離散的なゲート選択とパラメータ予測のための2つの独立した拡散プロセスを活用する。本モデルをさまざまな実験でベンチマークし、量子ビット数、回路深度、およびパラメータ化ゲートの割合にわたる手法の精度を分析する。最後に、迅速な回路生成を活用して特定の操作に対する大規模な回路データセットを作成し、これらを利用して量子回路合成に関する新たな洞察を発見するのに役立つ貴重なヒューリスティックを抽出する。

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.

多モード拡散モデルを用いた離散-連続量子回路の合成

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

要旨

Support