Синтез дискретно-непрерывных квантовых схем с использованием мультимодальных моделей диффузии

Synthesis of discrete-continuous quantum circuits with multimodal diffusion models

June 2, 2025

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

cs.AI

Аннотация

Эффективная компиляция квантовых операций остается серьезным препятствием для масштабирования квантовых вычислений. Современные передовые методы достигают низкой ошибки компиляции за счет комбинации алгоритмов поиска с оптимизацией параметров на основе градиентов, однако они требуют длительного времени выполнения и множественных обращений к квантовому оборудованию или дорогостоящим классическим симуляциям, что делает их масштабирование непрактичным. В последнее время в качестве альтернативы появились модели машинного обучения, хотя они пока ограничены дискретными наборами вентилей. В данной работе мы представляем мультимодальную модель денизинга на основе диффузии, которая одновременно генерирует структуру схемы и ее непрерывные параметры для компиляции целевого унитарного оператора. Модель использует два независимых процесса диффузии: один для выбора дискретных вентилей и другой для предсказания параметров. Мы проводим тестирование модели в различных экспериментах, анализируя точность метода при различном числе кубитов, глубине схем и пропорциях параметризованных вентилей. Наконец, используя быструю генерацию схем, мы создаем большие наборы данных для конкретных операций и применяем их для извлечения ценных эвристик, которые могут помочь в открытии новых инсайтов в синтезе квантовых схем.

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.