量子电路的最优布局综合作为经典规划
本研究提出了一种基于并行计划的 SAT 编码方法,通过在每个时间步骤中应用 1 个 SWAP 和一组 CNOT 来保持并行计划的最优性,并在大型和深层次电路中实现可扩展性。我们的方法在可扩展性方面表现优异,比领先的精确方法和近似最优方法提高了很多倍(最多达到 100 倍)。首次,我们能够将几个 8、14 和 16 比特电路完美地映射到 54、80 和 127 比特平台上,最多需要 17 个 SWAP。同时,在我们映射的电路中,我们还报告了近似最优的深度。
Mar, 2024
本文提出了通过符号优化问题和布尔可满足性求解器的方法来解决将量子电路映射到 IBM's QX 体系结构的最小 SWAP 和 H 操作数问题,同时实验证明 IBM 启发式解决方案所添加的运算次数超过了下限的平均值 100%以上。
Jul, 2019
本文论述了量子计算作为克服后摩尔时代计算能力瓶颈的一种有前途的范式,特别是超导量子处理器的日益成熟,为量子算法的发展和实施提供了更多的可能性。此外,研究还表明相关算法的规模和精确度正在稳步提高,尤其是与人工智能方法的整合。本文系统地回顾和总结了大量的文献,探讨了从算法级到量子硬件级整合设计和优化方案的可行性,结合了逻辑电路设计和编译优化的步骤。借助人工智能算法的卓越认知和学习能力,可以减少手动设计成本,提高执行的精确度和效率,并促进量子算法在硬件上的实施和优势验证。
Jun, 2024
该论文提出了一种使用改进的深度 Q 学习范例的量子比特路由程序,能够在近期架构大小的随机和现实电路上优于目前两种最先进的量子编译器的比特路由程序。
Jul, 2020
本研究提出了一种基于蒙特卡罗树搜索和图神经网络的量子电路 qubit 路由优化方法,实现了以架构无关的方式,以尽量小的深度进行量子电路执行。
Apr, 2021
我们介绍并实验测试了一种基于实际硬件的训练程序得出的预期性能估计来排名逻辑上等效的量子电路的机器学习方法。我们将该方法应用于布局选择问题,在给定设备上将抽象的量子比特分配给物理比特。在 IBM 硬件上进行的电路测量表明,逻辑上等效的布局的最大和中位保真度可以相差一个量级。我们引入了一个用于排名的电路得分,该得分以基于物理的现象学误差模型进行参数化,其参数通过使用测量数据集上的排名损失函数进行拟合。数据集包括在 IBM 硬件上执行的具有多样结构的量子电路,使得该模型能够将实际设备噪声和误差的上下文特征纳入其中,而无需执行指数成本的重建协议。我们在 16 比特 ibmq_guadalupe 设备上进行模型训练和执行,并将我们的方法与两种常见方法进行比较:随机布局选择和名为 Mapomatic 的公开基准。我们的模型始终优于这两种方法,预测的布局噪声更低,性能更高。特别地,相对于基线方法,我们的最佳模型使选择错误减少了 1.8 倍,而相对于随机选择则减少了 3.2 倍。除了提供一种新的预测性量子表征、验证和验证方法外,我们的结果还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。
Apr, 2024
本文提出了一种基于路由替换框架的量子计算机电路变换方法,用于解决电路与体系结构之间的差异,通过采用不同的启发式置换子例程来提高性能,实现了在网格和模块化体系结构上进行大型量子电路比较的策略。
Feb, 2019
通过使用强化学习方法,将其整合到量子传递工作流中,实现了量子电路的综合和路由优化,且在速度和优化的效果上明显超越其他方法,在实际的量子传递过程中显示出很高的实用性。
May, 2024
本文演示了 Google Sycamore 超导量子位计算机在组合优化问题上的应用及 QAOA 算法,克服了硬件连接性图不同于实际问题图的挑战,并提出了在未来的开发中应注重更多这样的问题。
Apr, 2020