基于强化学习的 Pauli 网络电路综合
量子物理
2025-03-19 v1 人工智能
摘要
我们引入一种基于强化学习 (RL) 的方法，用于包含任意 Pauli 旋转和 Clifford 操作的量子电路的重新综合。通过将每个子模块折叠为紧凑表示，然后通过学习的启发式方法逐步合成，我们获得的电路既更短，又符合硬件连通性约束。我们发现该方法足够快，足够好，可作为优化程序使用：在针对 6 比特随机 Pauli 网络与最先进的启发式方法进行的直接比较中，我们的 RL 方法可实现两个比特门数的 2 倍以上减少，而在每个电路中执行时间不足 10 毫秒。我们进一步将该方法集成到收集-重新综合管道中，作为 Qiskit 转译器插件应用，其中我们观察到在 Benchpress 框架中，两个比特门数和深度平均提高了 20%，许多实例可达到 60%。这些结果凸显了 RL 驱动的综合技术在现实中大规模量子转译工作负载中显著提高电路质量的潜力。
引用
@article{arxiv.2503.14448,
title = {Pauli Network Circuit Synthesis with Reinforcement Learning},
author = {Ayushi Dubal and David Kremer and Simon Martiel and Victor Villar and Derek Wang and Juan Cruz-Benito},
journal= {arXiv preprint arXiv:2503.14448},
year = {2025}
}