Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

Sintesi Tecnica: Modelli di Diffusione su Gruppi di Lie per la Sintesi di Circuiti Quantistici Consapevoli dell'Hardware

Problematica
La sintesi di circuiti quantistici mira a compilare un'operazione unitaria target $U^\star$ in una sequenza di gate eseguibili su un processore quantistico specifico. Questo problema possiede una naturale struttura ibrida: il pattern del circuito di entanglement è discreto e dettato dai vincoli di connettività dell'hardware, mentre i gate locali a singolo qubit sono variabili continue che risiedono nel gruppo compatto di Lie $SU(2)$. Gli approcci di machine learning esistenti, inclusi i modelli di diffusione, tipicamente rappresentano i circuiti in uno spazio euclideo, ignorando la geometria intrinseca curva del manifold $SU(2)$ e fallendo nell'incorporare nativamente i vincoli hardware come la connettività dei qubit e i tassi di errore dei gate.

Metodologia
Gli autori propongono un framework generativo a due componenti che integra i vincoli hardware e la struttura geometrica dei gate quantistici direttamente nel processo di sintesi:

1. Circuit Skeleton Selector (Selettore dello Scheletro del Circuito): Un classificatore supervisionato (un piccolo Multi-Layer Perceptron) che seleziona un template di circuito discreto (scheletro) da una libreria di pattern di entanglement CZ a vicini prossimi. Le etichette di addestramento per questo selettore sono derivate da una funzione di costo consapevole dell'hardware che bilancia la fedeltà del processo rispetto a un costo di depolarizzazione basato su specifici tassi di errore dei gate (ad esempio, $p_{CZ}$ e $p_{1Q}$).
2. Lie Group Diffusion Model (Modello di Diffusione su Gruppo di Lie): Un modello di diffusione probabilistica di denoising (DDPM) condizionato dallo scheletro che genera i gate continui a singolo qubit. A differenza della diffusione euclidea standard, questo modello opera direttamente sul prodotto del manifold $SU(2)^n \simeq S^{3n}$.
   • Rappresentazione: I gate sono rappresentati come quaternioni unitari.
   • Processo Forward: Il rumore viene aggiunto tramite perturbazioni dell'algebra di Lie moltiplicative a destra (campionando vettori tangenti gaussiani in $\mathfrak{su}(2) \simeq \mathbb{R}^3$ e mappandoli nuovamente nel gruppo tramite l'esponenziale).
   • Processo Reverse: Il modello predice il rumore utilizzando un encoder Transformer condizionato dall'Hamiltoniana target, dal tempo di evoluzione e dallo scheletro selezionato. Il target di denoising è derivato dal kernel del calore su $SU(2)$, garantendo che lo score appreso rispetti la geometria non lineare del manifold.
   • Raffinamento: Il modello di diffusione agisce come un generatore di proposte. I circuiti in uscita subiscono un passaggio finale di ottimizzazione locale (discesa del gradiente sui parametri dei gate) per massimizzare la fedeltà.

Contributi Chiave

• Diffusione Consapevole del Manifold: Il lavoro introduce un processo di diffusione che rispetta la geometria $SU(2)$ utilizzando il kernel del calore e gli spazi tangenti dell'algebra di Lie, piuttosto che trattare i parametri dei gate come vettori euclidei.
• Sintesi Consapevole dell'Hardware: Il framework incorpora esplicitamente i vincoli hardware (connettività e tassi di errore) nell'obiettivo di addestramento, permettendo al modello di apprendere un compromesso tra la fedeltà del circuito e il costo di implementazione.
• Architettura Ibrida Discreto-Continua: Decoupling (disaccoppiamento) della selezione dello scheletro discreto dalla generazione dei gate continui permette al modello di affrontare la natura a struttura mista del problema di sintesi.
• Stili di Soluzione Controllabili: Gli autori dimostrano che il prior di diffusione può essere guidato per produrre circuiti con proprietà fisiche specifiche (ad esempio, angoli di rotazione dei gate grandi o piccoli) influenzando il bias dei dati di addestramento, senza alterare l'unitario target.

Risultati
Il modello è stato valutato su target di simulazione Hamiltoniana a tre qubit, inclusi il Modello di Ising a Campo Trasverso (TFIM), il Modello Heisenberg-XXZ e vari target basati su Pauli.

• Successo della Compilazione: Il pipeline completo (Selector + Lie Group Diffusion + Local Refinement) ha raggiunto un tasso di successo del 75,8% (fedeltà $F \ge 0,99$) attraverso diverse famiglie di Hamiltoniane. Questo ha superato sia il baseline di ricerca Haar-random (65,3%) che un baseline di "ricerca generata" utilizzando un prior near-Clifford appreso (68,3%).
• Studi di Ablazione:
  • Necessità del Raffinamento: La diffusione senza raffinamento locale ha prodotto un tasso di successo molto basso (8,6%), mentre il raffinamento partendo da gate Haar-random è risultato comunque sottoperformante. La combinazione di diffusione e raffinamento locale si è dimostrata complementare: la diffusione fornisce una proposta globale consapevole della geometria, mentre il raffinamento esegue un'ottimizzazione locale ad alta fedeltà.
  • Performance del Selettore: Il selettore di scheletri appreso ha raggiunto una precisione del 75,6% nel corrispondere allo scheletro "oracolo" (la migliore scelta possibile dato il costo hardware). Il selettore ha evitato con successo l'entanglement non necessario per target locali e ha selezionato template di entanglement più profondi solo quando richiesto.
• Frontiera Fedeltà-Complessità: L'analisi del paesaggio fedeltà-costo ha mostrato che il selettore impara a concentrare la probabilità sulla "prima classe di complessità di successo" (ad esempio, selezionando uno scheletro a 4-CZ invece di uno a 5-CZ se entrambi soddisfano la soglia di fedeltà, ma il primo ha un costo hardware inferiore).
• Guida (Steering): Il modello ha generato con successo circuiti per lo stesso target con angoli di rotazione totali significativamente diversi, dimostrando il controllo sullo stile della soluzione.

Significatività e Rivendicazioni
Il documento afferma che la diffusione su gruppi di Lie fornisce un "framework generativo naturale" per la sintesi di circuiti quantistici consapevole dell'hardware. La significatività risiede nel trattare la sintesi di circuiti come un problema di progettazione fisica vincolato, dove il prior generativo rispetta la geometria sottostante dei gate quantistici. Gli autori sostengono che questo approccio vada oltre la generazione casuale di circuiti per creare prior di proposta strutturati che bilancino la fedeltà con l'overhead hardware. Notano che, sebbene il presente lavoro si concentri su sistemi a tre qubit come testbed non banale, l'architettura modulare (separazione tra componente di selezione e componente di diffusione) è progettata per essere estendibile a un numero maggiore di qubit e a grafi di connettività più complessi (ad esempio, griglie 2D o architetture heavy-hex) in lavori futuri. Il metodo offre un approccio di machine learning interpretabile in cui la selezione discreta è guidata dai costi hardware e la generazione continua è fondata sulla teoria dei gruppi di Lie.