Reducir el número de compuertas costosas sigue siendo un desafío crítico para lograr una computación cuántica tolerante a fallos y práctica. Daniele Lizzio Bosco, Lukasz Cincio y Giuseppe Serra, junto con M. Cerezo, de la Universidad de Udine y el Laboratorio Nacional de Los Álamos, presentan un nuevo enfoque para optimizar los circuitos cuánticos antes de que se compilen en operaciones de compuerta fundamentales. Su investigación introduce textsc{Q-PreSyn}, una estrategia de aprendizaje por refuerzo que aplica inteligentemente ediciones locales a la estructura de un circuito, con el objetivo de minimizar el recuento de -count, una métrica clave que impacta la viabilidad de ejecutar algoritmos complejos. Al aprender secuencias efectivas de estas ediciones, el equipo demuestra reducciones significativas en el -count, hasta un 20% en circuitos que contienen 25 qubits, sin comprometer la precisión computacional, lo que podría desbloquear la capacidad de ejecutar programas cuánticos más grandes y sofisticados.
Su investigación introduce textsc{Q-PreSyn}, una estrategia de aprendizaje por refuerzo que aplica inteligentemente ediciones locales a la estructura de un circuito, con el objetivo de minimizar el recuento de -count, una métrica clave que impacta la viabilidad de ejecutar algoritmos complejos.
El aprendizaje por refuerzo reduce significativamente el recuento de compuertas T en los circuitos cuánticos
Científicos han demostrado una estrategia innovadora para optimizar los circuitos cuánticos, lo que podría desbloquear avances significativos en la computación cuántica tolerante a fallos. Este avance aborda un cuello de botella crítico en la computación cuántica, donde el mero número de compuertas T a menudo determina si un circuito puede ejecutarse con éxito. El estudio revela un método donde las representaciones de circuito equivalentes se modifican estratégicamente a través de operaciones de fusión locales, preservando el cálculo general al tiempo que se altera su estructura para facilitar una síntesis más eficiente.
Esta mejora se debe a la capacidad del agente para descubrir dependencias a largo plazo entre las operaciones de fusión, superando el rendimiento de los enfoques más simples y «ávidos». Este trabajo contribuye una etapa de pre-síntesis universal compatible con diversas canalizaciones de compilación, ofreciendo una ventaja significativa para los dispositivos cuánticos de corto plazo donde las compuertas T dominan el coste computacional. Además, los investigadores han puesto todo el código a disposición del público, lo que permite a la comunidad cuántica más amplia reproducir sus resultados y basarse en esta innovadora metodología. Las implicaciones de esta investigación van más allá de las ganancias de rendimiento inmediatas; abre vías para desarrollar compiladores cuánticos más sofisticados capaces de optimizar automáticamente las representaciones de circuito para arquitecturas de hardware específicas. Este enfoque innovador promete ser una herramienta valiosa para los investigadores y desarrolladores que trabajan para superar los desafíos de construir computadoras cuánticas prácticas.
Aprendizaje por refuerzo para la reducción de compuertas T en circuitos
La investigación aborda el desafío de minimizar el recuento de compuertas T, un coste dominante en las implementaciones a corto plazo, remodelando inteligentemente los circuitos antes de aplicar los algoritmos de síntesis estándar. El estudio fue pionero en un método donde el agente de aprendizaje por refuerzo aprende secuencias de ediciones locales, específicamente operaciones de fusión, que preservan la equivalencia del circuito al tiempo que alteran su estructura. Los experimentos emplearon una formulación de problema de planificación, enmarcando la reducción del recuento final de T como un objetivo para que el agente de aprendizaje por refuerzo lo logre. El equipo diseñó un sistema donde el agente aplica iterativamente operaciones de fusión, evaluando el recuento de T del circuito resultante después de la síntesis para refinar su estrategia.
Los investigadores utilizaron un conjunto de datos de circuitos cuánticos con hasta 25 qubits para validar el rendimiento de Q-PreSyn. Es crucial destacar que el método está diseñado como un paso de preprocesamiento universal, compatible con diversas canalizaciones de compilación y algoritmos de síntesis. El trabajo demuestra que las transformaciones estructurales guiadas por el aprendizaje pueden mejorar significativamente la eficiencia de la síntesis en diversas aplicaciones, incluida la síntesis Clifford+T de unitarios generales, las evoluciones en tiempo real y la síntesis matchgate.
Q-PreSyn reduce el recuento de T en circuitos cuánticos mediante la optimización
El equipo midió el impacto de Q-PreSyn explorando representaciones de circuito equivalentes a través de operaciones de fusión que preservan la unidad. Estas operaciones modifican la estructura local del circuito, influyendo en la eficiencia de la síntesis posterior. Los resultados demuestran que formular la tarea de minimizar el recuento de T como un problema de planificación y emplear el aprendizaje por refuerzo (RL) identifica eficazmente secuencias ventajosas de estas operaciones de fusión. Específicamente, el agente de RL aprende a identificar representaciones de circuito que producen un recuento de T reducido tras la síntesis, mostrando una mejora constante en varios escenarios de síntesis Clifford+T.
Las pruebas demuestran que el método mejora constantemente la eficiencia de la post-síntesis en unitarios generales, evoluciones en tiempo real y diversas estructuras de circuito. Los datos muestran que Q-PreSyn navega con éxito por el espacio de representaciones de circuito equivalentes, identificando aquellas que permiten una síntesis más eficiente y recuentos de T más bajos. La investigación formalizó el problema de encontrar secuencias de fusión ventajosas como una tarea de optimización de planes, lo que permitió que la estrategia basada en el aprendizaje por refuerzo superara a los enfoques «ávidos» y descubriera dependencias a largo plazo entre las fusiones.
Q-PreSyn reduce el recuento de T a través del aprendizaje por refuerzo, logrando un estado del arte
Esto representa una mejora sustancial en las canalizaciones de compilación para la computación cuántica tolerante a fallos, lo que podría permitir la ejecución de circuitos que antes se consideraban demasiado intensivos en recursos. Los autores reconocen que el rendimiento de Q-PreSyn depende de la representación específica del circuito y del algoritmo de síntesis utilizado, y se necesita una mayor investigación para explorar su escalabilidad a circuitos más grandes y complejos. Las futuras direcciones de investigación incluyen la exploración de diferentes algoritmos de aprendizaje por refuerzo y funciones de recompensa para optimizar aún más el proceso de selección de la secuencia de fusión, y la investigación de la aplicación de Q-PreSyn a otras tareas de optimización de circuitos cuánticos.
