다중모드 확산 모델을 활용한 이산-연속 양자 회로 합성

초록

양자 연산의 효율적인 컴파일은 양자 컴퓨팅의 확장에 있어 주요한 병목 현상으로 남아 있다. 현재 최신 기술은 탐색 알고리즘과 기울기 기반 매개변수 최적화를 결합하여 낮은 컴파일 오류를 달성하지만, 이는 긴 실행 시간을 초래하며 양자 하드웨어나 고비용의 고전적 시뮬레이션에 대한 다중 호출을 필요로 하여 확장이 어렵다. 최근, 기계 학습 모델이 대안으로 등장했으나, 이는 현재 이산 게이트 집합에 국한되어 있다. 본 연구에서는 목표 유니터리를 컴파일하기 위해 회로의 구조와 연속 매개변수를 동시에 생성하는 다중 모드 디노이징 확산 모델을 소개한다. 이 모델은 이산 게이트 선택과 매개변수 예측을 위한 두 개의 독립적인 확산 과정을 활용한다. 다양한 실험을 통해 모델을 벤치마킹하고, 큐비트 수, 회로 깊이, 매개변수화된 게이트의 비율에 따른 방법의 정확도를 분석한다. 마지막으로, 빠른 회로 생성을 활용하여 특정 연산에 대한 대규모 회로 데이터셋을 생성하고, 이를 통해 양자 회로 합성에 대한 새로운 통찰을 발견하는 데 도움이 될 수 있는 유용한 휴리스틱을 추출한다.

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.

다중모드 확산 모델을 활용한 이산-연속 양자 회로 합성

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

초록

Support