Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

Résumé Technique : Modèles de Diffusion sur les Groupes de Lie pour la Synthèse de Circuits Quantiques Sensibles au Matériel

Énoncé du Problème
La synthèse de circuits quantiques vise à compiler une opération unitaire cible $U^\star$ en une séquence de portes exécutables sur un processeur quantique spécifique. Ce problème possède une structure hybride naturelle : le motif de circuit d'intrication est discret et dicté par les contraintes de connectivité du matériel, tandis que les portes locales à un qubit sont des variables continues résidant sur le groupe compact de Lie $SU(2)$. Les approches d'apprentissage automatique existantes, y compris les modèles de diffusion, représentent généralement les circuits dans un espace euclidien, ignorant la géométrie courbe intrinsèque de la variété $SU(2)$ et échouant à incorporer nativement les contraintes matérielles telles que la connectivité des qubits et les taux d'erreur des portes.

Méthodologie
Les auteurs proposent un cadre génératif à deux composantes qui intègre les contraintes matérielles et la structure géométrique des portes quantiques directement dans le processus de synthèse :

1. Sélecteur de Squelette de Circuit : Un classificateur supervisé (un petit perceptron multicouche) qui sélectionne un modèle de circuit discret (squelette) à partir d'une bibliothèque de motifs d'intrication CZ de plus proches voisins. Les étiquettes d'entraînement pour ce sélecteur sont dérivées d'une fonction de coût sensible au matériel qui équilibre la fidélité du processus par rapport à un coût de dépolarisation basé sur des taux d'erreur de porte spécifiques (par exemple, $p_{CZ}$ et $p_{1Q}$).
2. Modèle de Diffusion sur les Groupes de Lie : Un modèle de diffusion probabiliste de débruitage conditionné par le squelette (DDPM) qui génère les portes locales à un qubit continues. Contrairement à la diffusion euclidienne standard, ce modèle opère directement sur la variété produit $SU(2)^n \simeq S^{3n}$.
   • Représentation : Les portes sont représentées comme des quaternions unitaires.
   • Processus Direct (Forward Process) : Le bruit est ajouté via des perturbations de l'algèbre de Lie par multiplication à droite (échantillonnage de vecteurs tangents gaussiens dans $\mathfrak{su}(2) \simeq \mathbb{R}^3$ et retour à l'algèbre via l'application exponentielle).
   • Processus Inverse (Reverse Process) : Le modèle prédit le bruit en utilisant un encodeur Transformer conditionné par l'Hamiltonien cible, le temps d'évolution et le squelette sélectionné. La cible de débruitage est dérivée du noyau de la chaleur sur $SU(2)$, garantissant que le score appris respecte la géométrie non linéaire de la variété.
   • Affinement : Le modèle de diffusion agit comme un générateur de propositions. Les circuits produits subissent une étape finale d'optimisation locale (descente de gradient sur les paramètres des portes) pour maximiser la fidélité.

Contributions Clés

• Diffusion Sensible à la Variété : Ce travail introduit un processus de diffusion qui respecte la géométrie $SU(2)$ en utilisant le noyau de la chaleur et les espaces tangents de l'algèbre de Lie, plutôt que de traiter les paramètres des portes comme des vecteurs euclidiens.
• Synthèse Sensible au Matériel : Le cadre incorpore explicitement les contraintes matérielles (connectivité et taux d'erreur) dans l'objectif d'apprentissage, permettant au modèle d'apprendre un compromis entre la fidélité du circuit et le coût de mise en œuvre.
• Architecture Hybride Discrète-Continue : En découplant la sélection du squelette discret de la génération des portes continues, le modèle répond à la nature à structure mixte du problème de synthèse.
• Styles de Solutions Contrôlables : Les auteurs démontrent que le prior de diffusion peut être orienté pour produire des circuits avec des propriétés physiques spécifiques (par exemple, de grands versus de petits angles de rotation de porte) en biaisant les données d'entraînement, sans altérer l'unitaire cible.

Résultats
Le modèle a été évalué sur des cibles de simulation d'Hamiltonien à trois qubits, incluant le modèle de champ de Ising transverse (TFIM), le modèle Heisenberg-XXZ et diverses cibles basées sur Pauli.

• Succès de Compilation : Le pipeline complet (Sélecteur + Diffusion sur les Groupes de Lie + Affinement Local) a atteint un taux de succès de 75,8 % (fidélité $F \ge 0,99$) à travers diverses familles d'Hamiltoniens. Cela a surpassé à la fois une base de recherche Haar-aléatoire (65,3 %) et une base de "recherche générée" utilisant un prior proche-Clifford appris (68,3 %).
• Études d'Ablation :
  • Nécessité de l'Affinement : La diffusion sans affinement local a produit un taux de succès très faible (8,6 %), tandis que l'affinement partant de portes Haar-aléatoires a également sous-performé. La combinaison de la diffusion et de l'affinement local s'est avérée complémentaire : la diffusion fournit une proposition globale sensible à la géométrie, tandis que l'affinement réalise une optimisation locale de haute fidélité.
  • Performance du Sélecteur : Le sélecteur de squelette appris a atteint une précision de 75,6 % pour correspondre au squelette "oracle" (le meilleur choix possible compte tenu du coût matériel). Le sélecteur a réussi à éviter l'intrication inutile pour les cibles locales et a sélectionné des modèles d'intrication plus profonds uniquement lorsque cela était nécessaire.
  • Frontière Fidélité-Complexité : L'analyse du paysage fidélité-coût a montré que le sélecteur apprend à concentrer la probabilité sur la "première classe de complexité réussie" (par exemple, en sélectionnant un squelette à 4-CZ plutôt qu'un à 5-CZ si les deux respectent le seuil de fidélité, mais que le premier présente un coût matériel moindre).
  • Pilotage (Steering) : Le modèle a réussi à générer des circuits pour le même objectif avec des angles de rotation totaux significativement différents, démontrant un contrôle sur le style de la solution.

Signification et Revendications
L'article affirme que la diffusion sur les groupes de Lie fournit un "cadre génératif naturel" pour la synthèse de circuits quantiques sensibles au matériel. La signification réside dans le fait de traiter la synthèse de circuits comme un problème de conception physique contraint où le prior génératif respecte la géométrie sous-jacente des portes quantiques. Les auteurs postulent que cette approche va au-delà de la génération de circuits aléatoires pour créer des priors de proposition structurés qui équilibrent la fidélité avec la surcharge matérielle. Ils notent que bien que le présent travail se concentre sur les systèmes à trois qubits comme banc d'essai non trivial, l'architecture modulaire (séparation des composants de sélection et de diffusion) est conçue pour être extensible à des nombres de qubits plus importants et à des graphes de connectivité plus complexes (par exemple, des grilles 2D ou des architectures heavy-hex) dans des travaux futurs. La méthode offre une approche d'apprentissage automatique interprétable où la sélection discrète est pilotée par les coûts matériels et la génération continue est ancrée dans la théorie des groupes de Lie.