Transpiling quantum circuits by a transformers-based algorithm

Each language version is independently generated for its own context, not a direct translation.

🌍 De "Google Translate" voor Quantum Computers

Stel je voor dat je een brief schrijft in het Nederlands (bijvoorbeeld voor een computer in New York), maar je vriend in Tokio kan alleen Japans lezen. Als je de brief gewoon opstuurt, begrijpt hij er niets van. Je hebt een vertaler nodig die niet alleen de woorden omzet, maar ook de betekenis van de zinnen behoudt.

Dit is precies wat dit onderzoek doet, maar dan voor quantum computers.

1. Het Probleem: Elke Computer spreekt een andere taal

Quantum computers zijn nog heel nieuw en er zijn verschillende soorten, zoals die van IBM en die van IonQ.

IBM praat in een taal met bepaalde "woorden" (logische poorten) die lijken op de basis van een supergeleidende schakeling.
IonQ praat in een heel andere taal, gebaseerd op gevangen ionen (geladen atomen).

Als je een quantum programma (een circuit) schrijft voor IBM, werkt het niet op IonQ. Het is alsof je een recept voor een Franse soep probeert te koken met ingrediënten die alleen in een Italiaanse keuken te vinden zijn. Je moet het recept herschrijven, maar de soep moet op het einde precies hetzelfde smaken. Dit proces noemen ze transpileren (vertalen).

2. De Oplossing: Een slimme AI-vertaler (Transformers)

De onderzoekers hebben een speciaal type kunstmatige intelligentie (AI) gebouwd, genaamd een Transformer.

Wat is een Transformer? Je kent ze misschien van ChatGPT of Google Translate. Ze zijn heel goed in het begrijpen van taal, zinsbouw en context. Ze kunnen lange teksten lezen en onthouden wat er eerder gezegd is, zodat ze de volgende woorden correct voorspellen.
Hoe werkt het hier? In plaats van menselijke zinnen, leert de AI quantum-codes (geschreven in een taal genaamd OpenQASM). De AI leert: "Als ik dit 'IBM-woord' zie, moet ik daarvoor een 'IonQ-woord' schrijven dat precies hetzelfde effect heeft op de quantum-deeltjes."

Het is alsof je een robot hebt die een boek van het Nederlands naar het Japans vertaalt, maar dan voor de meest complexe wiskundige formules ter wereld.

3. Hoe hebben ze het getraind? (De "Bibliotheek" en de "Regels")

Om de AI slim te maken, hebben ze duizenden voorbeelden nodig.

De Data: Ze hebben duizenden quantum-circuits gegenereerd. Voor elk circuit maakten ze twee versies: één in IBM-taal en één in IonQ-taal.
De Vertaling: De AI kreeg de IBM-versie te zien en moest de IonQ-versie raden.
De "Token" truc: Computers kunnen geen getallen als 3.14159 direct begrijpen in een taalmodel. De onderzoekers hebben de getallen omgezet in "woorden" (tokens).
- Vergelijking: Stel je voor dat je in plaats van exacte temperaturen (21.3°C, 21.4°C) alleen werkt met categorieën als "Koud", "Lauw" en "Warm". De AI leert dan dat "Lauw" in de ene taal overeenkomt met "Tepid" in de andere. Ze hebben de hoeken van de quantum-draaibewegingen zo verkleind dat de AI ze als vaste symbolen kon leren.

4. De Resultaten: Bijna perfect!

Het resultaat is verbazingwekkend goed:

De AI slaagt erin om tot 5 quantum-bits (qubits) circuits bijna 100% correct te vertalen (meer dan 99,98% succes).
De vertaling is zo goed dat de quantum-computer precies hetzelfde doet als het origineel, alleen in een andere taal.
Het systeem is snel en schaalbaar. Zelfs als de circuits langer worden, groeit de moeilijkheid voor de AI niet explosief, maar in een beheersbare, lineaire snelheid (zoals het opstapelen van blokken).

5. De Uitdaging: De "Solovay-Kitaev" Moeilijkheid

Er is één punt waar de AI even vastliep: een specifieke methode om quantum-circuits te vereenvoudigen (de Solovay-Kitaev-algoritme).

De Analogie: Stel je voor dat je een korte zin vertaalt. Dat is makkelijk. Maar als je die zin moet vertalen door elk woord te vervangen door een heel gedetailleerde uitleg van 100 woorden, wordt de tekst zo lang dat hij niet meer in het geheugen van de vertaler past.
Bij deze specifieke methode werden de circuits zo lang dat ze de "geheugengrens" van de AI (het contextvenster van 768 woorden) overschreden. De AI kon de hele zin niet meer in één keer zien. Dit betekent dat voor heel complexe taken nog meer rekenkracht nodig is.

Conclusie: Waarom is dit belangrijk?

Dit onderzoek toont aan dat we AI kunnen gebruiken als een tolk voor de quantum-revolutie.
Vandaag de dag moet je als programmeur weten hoe elke specifieke quantum-computer in elkaar zit. Met deze AI-vertaler kunnen programmeurs één keer een programma schrijven, en de AI zorgt er automatisch voor dat het werkt op elk type quantum-computer (IBM, IonQ, of de toekomstige modellen).

Het is een grote stap richting een wereld waar quantum-computers net zo makkelijk te gebruiken zijn als een smartphone, zonder dat je hoeft te weten hoe de onderliggende techniek precies werkt.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Transpiling quantum circuits by a transformers-based algorithm" in het Nederlands.

Titel: Transpileren van quantumcircuits met een op transformers gebaseerd algoritme

Auteurs: Michele Banfi, Paolo Zentilini, Sebastiano Corli, Enrico Prati (Universiteit van Milaan & CNR-IFN, Italië)

1. Probleemstelling

Quantumcomputers opereren op verschillende hardware-platforms (zoals supergeleidende qubits van IBM en gevangen ionen van IonQ), elk met een unieke set van "native gates" (basisoperaties) die fysiek kunnen worden uitgevoerd. Een circuit dat is ontworpen voor het ene platform (bijv. IBM) kan niet direct worden uitgevoerd op een ander (bijv. IonQ) zonder transformatie.

Het proces van het converteren van een circuit van de ene gate-set naar een equivalente sequentie die compatibel is met de doelhardware, staat bekend als quantum transpiling. Traditionele methoden voor transpiling zijn vaak complex, vereisen handmatige optimalisatie of gebruiken heuristische zoekalgoritmen die niet altijd de meest efficiënte oplossing vinden. De uitdaging ligt in het behouden van de logische functionaliteit (de unitaire operator) van het algoritme terwijl de circuitdiepte wordt geminimaliseerd en de fysieke beperkingen van de doelhardware worden gerespecteerd, alles onder de beperkingen van de huidige NISQ- (Noisy Intermediate-Scale Quantum) era.

2. Methodologie

De auteurs ontwikkelen een Transformer-model (een architectuur die oorspronkelijk is ontwikkeld voor natuurlijke taalverwerking) om quantumtranspiling te behandelen als een taak van "sequence-to-sequence" vertaling.

A. Data Representatie en Tokenisatie

Input/Output: Het model werkt met OpenQASM (Quantum Assembly Language). De bron is een circuit in de native gate-set van IBM (bijv. rz, sx, x, cx), en het doel is een circuit in de native gate-set van IonQ (bijv. rxx, rz, ry, rx).
Tokenisatie: Omdat deep learning-modellen geen ruwe tekst kunnen verwerken, wordt de QASM-code omgezet in tokens.
- RegEx: Er wordt gebruikgemaakt van Regular Expressions om de syntax te normaliseren (bijv. q[1] wordt q1).
- Discretisatie van parameters: Rotatiehoeken (die continu zijn) worden omgezet in discrete symbolen. Hoeken worden genormaliseerd naar het interval $[0, 2\pi)$ , afgerond op twee decimalen, en vervolgens gemapt naar een binaire index (bijv. een grid van $\lambda=128$ ). Een hoek zoals $3.19$ wordt bijvoorbeeld vertaald naar een token zoals PARAM 64.
Embedding: De tokens worden geprojecteerd naar een learnable latent space (vectorvoorstelling) waar semantische en structurele relaties worden gecodeerd.

B. Model Architectuur

Encoder-Decoder: Het model gebruikt een standaard Transformer-architectuur met 6 lagen in zowel de encoder als de decoder.
- Encoder: Verwerkt de bron QASM (IBM) en creëert contextuele vectorrepresentaties.
- Decoder: Genereert de doel QASM (IonQ) token voor token, gebruikmakend van cross-attention om de relatie tussen de invoer en de gegenereerde uitvoer te behouden.
Hyperparameters: Het model heeft ongeveer 80,36 miljoen trainbare parameters, met een contextvenster van 768 tokens.

C. Trainingsstrategie en Loss Functies

Het model wordt getraind met een gecombineerde loss-functie:

Cross-Entropy Loss ( $L_{CE}$ ): Straft fouten in de syntaxis en de volgorde van de tokens af.
Fidelity Loss ( $L_F$ ): Een "physics-informed" component die de fysieke correctheid waarborgt. Deze berekent de fideliteit tussen de unitaire matrix van het originele circuit ( $U_{ref}$ $U_{r e f}$ ) en het gegenereerde circuit ( $U_{pred}$ $U_{p r e d}$ ).
- Totale Loss: $L = \alpha L_F + \beta L_{CE}$ .
Label Smoothing: Wordt toegepast om overfitting te voorkomen en generalisatie te verbeteren.

D. Benaderingen

De auteurs testen twee scenario's:

Parametrische circuits: Directe vertaling van circuits met continue rotatiehoeken.
Solovay-Kitaev decompositie: Het omzetten van circuits naar een universele discrete gate-set (zonder continue parameters) via het Solovay-Kitaev algoritme, gevolgd door transpiling.

3. Belangrijkste Resultaten

Hoog Nauwkeurigheidspercentage: Voor circuits tot 5 qubits bereikt het model een correctheid van ≥ 99,98% bij het transpileren van IBM-circuits naar IonQ-circuits.
Syntactische Correctheid: De "grammar accuracy" (de mate waarin het gegenereerde QASM bestand geldig is en kan worden gecompileerd) ligt dicht bij 100%.
Fideliteit: De gegenereerde circuits implementeren dezelfde unitaire operaties als de broncircuits, wat wordt bevestigd door hoge fideliteitsmetingen tijdens het trainingsverloop.
Complexiteit en Schaalbaarheid:
- Voor parametrische circuits schaalt de complexiteit polynomiëel met de diepte van het circuit en het aantal qubits.
- Beperking bij Solovay-Kitaev: Bij het gebruik van de Solovay-Kitaev decompositie (die circuits aanzienlijk verlengt) stuit het model op de limiet van het contextvenster (768 tokens). Voor circuits met 3, 4 of 5 qubits overschrijden de gedecomposeerde sequenties dit venster, waardoor succesvol trainen alleen mogelijk was voor 1 en 2 qubits in dit specifieke scenario. Dit bevestigt de theoretische voorspelling dat discrete decompositie een veel grotere infrastructuur vereist.

4. Bijdragen en Innovatie

Nieuwe Toepassing van Transformers: Het is een van de eerste werken dat Transformers succesvol toepast op het specifieke probleem van quantum circuit transpiling tussen heterogene hardware-platforms, in plaats van alleen voor het genereren van circuits of variational quantum eigensolvers (VQE).
End-to-End Vertaling: Het model leert de vertaling direct uit de tekstuele representatie (QASM) zonder tussenkomst van complexe klassieke compilers voor de kernvertaaltaken.
Fysiek Bewuste Training: De integratie van een fideliteitsverlies in de training zorgt ervoor dat het model niet alleen syntactisch correcte code produceert, maar ook fysiek betekenisvolle quantumoperaties.
Schaalbaarheidsanalyse: Het biedt een gedetailleerde analyse van hoe de complexiteit van het model schaalt met circuitdiepte en de keuze van het algoritme (parametrisch vs. Solovay-Kitaev).

5. Betekenis en Toekomstperspectief

De studie toont aan dat machine learning-modellen, specifiek Transformers, een krachtig alternatief kunnen zijn voor traditionele quantum compilers. Ze kunnen complexe vertaaltaken tussen verschillende quantum-ecosystemen uitvoeren met een nauwkeurigheid die de huidige state-of-the-art benadert of overtreft.

Beperkingen en Toekomst:
De belangrijkste beperking is de contextlengte van de Transformer. Voor complexe circuits die vereisen dat ze worden gedecomposeerd in zeer lange sequenties (zoals bij Solovay-Kitaev), zijn grotere contextvensters en meer rekenkracht (HPC) nodig. De auteurs concluderen dat met de juiste schaalvergroting van de infrastructuur, deze aanbelopen veelbelovend is voor het automatiseren van quantum transpiling, wat essentieel is voor de schaalbaarheid van quantum computing in de toekomst.