Síntese de circuitos quânticos discretos-contínuos com modelos de difusão multimodal

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

June 2, 2025

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

cs.AI

Resumo

A compilação eficiente de operações quânticas continua sendo um grande obstáculo para a escalabilidade da computação quântica. Os métodos mais avançados atuais alcançam baixos erros de compilação ao combinar algoritmos de busca com otimização de parâmetros baseada em gradientes, mas eles resultam em tempos de execução longos e exigem múltiplas chamadas ao hardware quântico ou simulações clássicas custosas, tornando sua escalabilidade proibitiva. Recentemente, modelos de aprendizado de máquina surgiram como uma alternativa, embora atualmente estejam restritos a conjuntos de portas discretas. Aqui, introduzimos um modelo de difusão de desruído multimodal que gera simultaneamente a estrutura de um circuito e seus parâmetros contínuos para compilar uma unitária alvo. Ele utiliza dois processos de difusão independentes, um para a seleção de portas discretas e outro para a previsão de parâmetros. Avaliamos o modelo em diferentes experimentos, analisando a precisão do método em relação a diferentes contagens de qubits, profundidades de circuito e proporções de portas parametrizadas. Por fim, ao explorar sua rápida geração de circuitos, criamos grandes conjuntos de dados de circuitos para operações específicas e os utilizamos para extrair heurísticas valiosas que podem nos ajudar a descobrir novos insights sobre a síntese de circuitos quânticos.

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.