Synthese van discrete-continue kwantumcircuits met multimodale diffusiemodellen

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

Samenvatting

Het efficiënt compileren van quantumoperaties blijft een grote hindernis bij het opschalen van quantumcomputing. De huidige state-of-the-art methoden bereiken een lage compilatiefout door zoekalgoritmen te combineren met op gradienten gebaseerde parameteroptimalisatie, maar dit gaat gepaard met lange looptijden en vereist meerdere aanroepen naar quantumhardware of dure klassieke simulaties, wat hun schaalbaarheid beperkt. Recentelijk zijn machine learning-modellen naar voren gekomen als een alternatief, hoewel deze momenteel beperkt zijn tot discrete gatesets. Hier introduceren we een multimodaal denoising diffusiemodel dat gelijktijdig de structuur van een circuit en zijn continue parameters genereert voor het compileren van een doelunitair. Het maakt gebruik van twee onafhankelijke diffusieprocessen, één voor discrete gate-selectie en één voor parameterpredictie. We benchmarken het model over verschillende experimenten en analyseren de nauwkeurigheid van de methode bij variërende aantallen qubits, circuitdieptes en verhoudingen van geparametriseerde gates. Ten slotte benutten we de snelle circuitgeneratie om grote datasets van circuits voor specifieke operaties te creëren en gebruiken we deze om waardevolle heuristieken te extraheren die nieuwe inzichten kunnen bieden in quantumcircuitsynthese.

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.