OrQstrator: 一个用于高级量子电路优化的 AI 驱动框架-计算机科学-深度学习-强化学习-量子电路优化.pdfVIP

OrQstrator:一个用于高级量子电路优化的AI驱

动框架

LauraBairdArminMoin

DepartmentofComputerScienceDepartmentofComputerScience

UniversityofColoradoColoradoSprings(UCCS),USAUniversityofColoradoColoradoSprings(UCCS),USA

lbaird@amoin@

摘要—我们提出了一种新颖的方法OrQstrator，这是一个框架学习协调一系列互补的优化技术。通过集成学习到的

用于在嘈杂中等规模量子(NISQ)时代进行量子电路优化的模DRL代理、参数化实例化策略和特定领域的数值优化器，

块化框架。我们的框架由深度强化学习(DRL)驱动。我们的编所提出的框架称为OrQstrator，能够动态生成适应硬件、

本排引擎智能地从三个互补的电路优化器中选择：一个基于DRL保真度感知的量子电路，适用于近期执行。以下是对文献

译的电路重写器，通过学习到的重写序列训练以减少深度和门计数；的简要回顾。然后我们提出我们的新方法，得出结论，并

一个特定领域的优化器，执行高效的局部门重构和数值优化；一

中个参数化电路实例化器，在门集转换过程中优化模板电路以改进建议未来的研究方向。

2编译。这些模块由中央编排引擎协调，该引擎根据电路结构、硬

v件约束以及门计数、深度和预期保真度等后端感知性能特征学习II.相关工作

2协调策略。系统输出一个针对硬件感知转译和执行进行优化的电Fösel等人。[7]表明他们的基于DRL的方法可以学

8

6路，利用现有最先进的方法——NISQ分析器的技术来适应后端习强大的重写策略，实现了高达27%的电路深度减少。此

9约束。

0IndexTerms—深度学习，强化学习，nisq，量子电路优化外，Riu等人。[8]通过使用基于ZX-演算的变换结合强化

.

7学习来推广到更大的电路。进一步地，Moro等人。[9]将

0

5I.介绍DRL应用于量子编译，展示了其在门合成中的实用性。

2在经典方面，Kukliansky等人[5]介绍了QFactor，这

:随着量子计算以惊人的速度发展，预计容错架构可能是一个使用解析梯度和张量网络来执行逻辑门重构的特定

v

i比之前预期的更早实现[1]。尽管取得这些突破，实用的容

x领域优化器。此外，Younis和Iancu[10]提出了一种参数

r错量子计算（FTQC）目前仍遥不可及。在此期间，我们仍化电路实例化的方法，该方法改进了优化和门集转换，平

a

然处于嘈杂中等规模量子（NISQ）时代[2]，这是一个由均减少了13%的门数。这些方法虽然各自强大，但受限

硬件限制定义的时代：有限的量子比特数量、电路相干时

于其固定的流水线和狭窄的范围。

间短以及高门错误率。

硬件感知编译也受到了关注。Salm等人。[11]开发

为了可靠地在这些约束下运行算法，量子电路必须进了NISQ分析器，通过评估设备特定的约束条件将量子算

行显著优化。这意味着减少电路深度、最小化两比特门的法与可行的硬件目标相匹配。其他研究（如Murali等人。

使用，并适应每个异构量子计算平台特有的硬件限制。虽[12]）探讨了使用噪声感知或基于学习的方法进行路由和

然诸如