Reinforcement Learning for Adaptive Composition of Quantum Circuit Optimisation Passes
Dieses Paper schlägt einen Reinforcement-Learning-Agenten vor und demonstriert diesen, der dynamisch Optimierungsschritte für Quantenschaltkreise zusammensetzt, um eine überlegene Reduktion von Zwei-Qubit-Gattern im Vergleich zu Standardsequenzen zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie hätten ein sehr kompliziertes Rezept für ein Quantengericht. Dieses Rezept ist als „Quantenschaltkreis“ geschrieben, was im Grunde eine Liste von Anweisungen (Gates) ist, um winzige Teilchen zu manipulieren. Das Problem ist, dass diese Rezepte oft unordentlich sind, voller unnötiger Schritte und zu lang. In der Welt der Quanten fügt jeder zusätzliche Schritt „Rauschen“ (Fehler) hinzu, was dazu führt, dass das fertige Gericht nicht gut schmeckt.
Das Ziel ist es, das Rezept aufzuräumen: die redundanten Schritte zu entfernen und die Anweisungen zu kürzen, ohne den endgültigen Geschmack zu verändern.
Das Problem: Zu viele Auswahlmöglichkeiten, schwer zu ordnen
Quantensoftware verfügt bereits über einen Werkzeugkasten voller „Optimierungspassagen“. Stellen Sie sich dies als verschiedene Küchenwerkzeuge vor:
- Ein Werkzeug könnte einen großen Block Zutaten in kleinere, handlichere Stücke hacken.
- Ein anderes könnte erkennen, dass sich zwei Schritte gegenseitig aufheben und sie löschen.
- Ein drittes könnte die Reihenfolge des Hackens neu ordnen, um es schneller zu machen.
Das Problem ist, dass diese Werkzeuge einzeln verwendet hervorragend funktionieren, aber die Reihenfolge, in der man sie verwendet, enorm wichtig ist.
- Wenn Sie das „Hack“-Werkzeug vor dem „Neuordnen“-Werkzeug verwenden, erhalten Sie vielleicht ein perfektes Ergebnis.
- Wenn Sie den umgekehrten Weg gehen, erhalten Sie ein Chaos.
Derzeit müssen Benutzer raten, welche Reihenfolge die beste ist, oder sie verwenden eine „Standard“-Reihenfolge, die die Softwarehersteller festgelegt haben. Aber eine Standard-Reihenfolge ist wie ein generisches Rezept, das für jeden funktionieren soll; es übersieht die spezifischen Abkürzungen, die perfekt für Ihr spezielles Gericht funktionieren würden. Das Entwerfen einer maßgeschneiderten Reihenfolge erfordert einen Meisterkoch mit jahrelanger Erfahrung, den die meisten Menschen nicht besitzen.
Die Lösung: Ein intelligenter KI-Chef
Die Autoren dieser Arbeit haben einen „intelligenten KI-Chef“ unter Verwendung einer Technik namens Reinforcement Learning (RL) entwickelt.
Das Training: Sie haben der KI nicht einfach nur die Regeln beigebracht. Stattdessen ließen sie die KI an tausenden verschiedenen Quantenrezepten üben.
- Die KI betrachtet ein unordentliches Rezept.
- Sie wählt ein Werkzeug (eine Optimierungspassage) aus, das sie ausprobieren möchte.
- Sie wendet das Werkzeug an.
- Wenn das Rezept kürzer und sauberer wird, erhält die KI eine „Belohnung“ (wie einen goldenen Stern). Wenn sie die Sache verschlechtert oder nichts ändert, erhält sie keine Belohnung.
- Mit der Zeit lernt die KI nicht nur, welche Werkzeuge gut sind, sondern auch die perfekte Sequenz, die sie für jedes spezifische Rezept anwenden muss.
Das „Gehirn“: Um das Rezept zu verstehen, betrachtet die KI es nicht als eine Liste von Wörtern. Sie sieht das Rezept als eine Karte (einen Graphen), bei der die Zutaten Punkte sind und die Anweisungen Linien, die diese Punkte verbinden. Dies hilft der KI, die komplexe Struktur des Quantenschaltkreises zu verstehen, egal wie groß oder seltsam dieser ist.
Die Ergebnisse: Schlauer und schneller
Das Team testete ihren KI-Chef gegen die Standard-„Default“-Rezepte der bereitgestellten Software (PyTKET).
- Bessere Ergebnisse: Im Durchschnitt entfernte der KI-Chef 57,7 % der unnötigen Schritte (Zwei-Qubit-Gates) aus den Rezepten. Das beste Standard-Default-Rezept schaffte es nur, 41,8 % zu entfernen.
- Anpassungsfähigkeit: Die KI nutzte nicht nur einen Trick. Für einige einfache Rezepte nutzte sie nur ein einziges Werkzeug. Für sehr komplexe, unordentliche Rezepte fand sie eine lange, spezifische Kette von Werkzeugen heraus, um das beste Ergebnis zu erzielen. Sie lernte, den Einsatz eines mächtigen Werkzeugs zu „verzögern“, wenn sie wusste, dass ein einfacheres Werkzeug zuerst die Wirkung des mächtigen Werkzeugs noch verbessern würde.
- Geschwindigkeit: Sie verglichen die KI auch mit anderen Methoden, die versuchen, die beste Reihenfolge durch Brute-Force-Suche (das Ausprobieren aller möglichen Kombinationen) zu finden. Die Suchmethoden fanden gute Ergebnisse, brauchten aber sehr lange. Die KI war signifikant schneller, da sie nicht suchen musste; sie „wusste“ einfach den besten Weg basierend auf ihrem Training.
Warum das wichtig ist
Diese Arbeit zeigt, dass wir keinen menschlichen Experten brauchen, der manuell die beste Art und Weise findet, jeden einzelnen Quantenschaltkreis aufzuräumen. Wir können eine KI darauf trainieren, dies automatisch zu tun.
Die KI fungiert als persönlicher Editor, der Ihren spezifischen Quantencode betrachtet und sagt: „Hey, für dieses spezifische Problem: Wenn du Schritt A, dann Schritt C und dann Schritt B machst, wirst du das sauberste Ergebnis erhalten.“ Sie schneidet besser ab als die generischen „Einheitslösungen“, die derzeit in den Standard-Einstellungen verwendet werden, was Quantencomputer effizienter und weniger anfällig für Fehler macht.
Kurz gesagt: Diese Arbeit lehrt einen Computer, wie man ein Meister-Editor für Quanten-Code wird, der die perfekte Sequenz von Aufräumen-Schritten für jedes spezifische Problem findet und dies schneller und besser tut als die heute verfügbaren Standard-Werkzeuge.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.