Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

Technische Samenvatting: Lie-groep Diffusiemodellen voor Hardware-bewuste Kwantumcircuit-synthese

Probleemstelling
Kwantumcircuit-synthese beoogt een doel-unitair operatie $U^\star$ te compileren naar een sequentie van gates die uitvoerbaar zijn op een specifieke kwantumprocessor. Dit probleem bezit een natuurlijke hybride structuur: het verstrengelingspatroon van het circuit is discreet en wordt gedicteerd door hardware-connectiviteitsbeperkingen, terwijl de lokale single-qubit gates continue variabelen zijn die zich bevinden op de compacte Lie-groep $SU(2)$. Bestaande machine learning-benaderingen, inclusief diffusiemodellen, representeren circuits doorgaans in de Euclidische ruimte, waarbij ze de intrinsieke gekromde geometrie van de $SU(2)$-variëteit negeren en er niet in slagen om hardwarebeperkingen zoals qubit-connectiviteit en gate-foutpercentages inherent te integreren.

Methodologie
De auteurs stellen een twee-componenten generatief kader voor dat hardwarebeperkingen en de geometrische structuur van kwantumgates direct integreert in het syntheseproces:

1. Circuit Skeleton Selector: Een gesuperviseerde classifier (een kleine Multi-Layer Perceptron) die een discrete circuit-template (skeleton) selecteert uit een bibliotheek van nearest-neighbor CZ-verstrengelingspatronen. De trainingslabels voor deze selector worden afgeleid van een hardware-bewuste kostenfunctie die een balans zoekt tussen procesgetrouwheid (fidelity) en een depolarisatiekosten gebaseerd op specifieke gate-foutpercentages (bijv. $p_{CZ}$ en $p_{1Q}$).
2. Lie-groep Diffusiemodel: Een skeleton-geconditioneerd denoising diffusion probabilistic model (DDPM) dat de continue lokale single-qubit gates genereert. In tegenstelling tot standaard Euclidische diffusie, opereert dit model direct op de product-variëteit $SU(2)^n \simeq S^{3n}$.
   • Representatie: Gates worden gerepresenteerd als eenheidsquaternions.
   • Forward Proces: Ruis wordt toegevoegd via rechts-multiplicatieve Lie-algebra perturbaties (het samplen van Gaussische tangentiële vectoren in $\mathfrak{su}(2) \simeq \mathbb{R}^3$ en het terugmappen naar de groep via de exponentiële afbeelding).
   • Reverse Proces: Het model voorspelt de ruis met behulp van een Transformer-encoder die geconditioneerd is op de doel-Hamiltoniaan, de evolutietijd en het geselecteerde skeleton. Het denoising-doel is afgeleid van de warmtekernel op $SU(2)$, wat ervoor zorgt dat de geleerde score de niet-lineaire geometrie van de variëteit respecteert.
   • Verfijning: Het diffusiemodel fungeert als een proposal generator. De gegenereerde circuits ondergaan een laatste lokale optimalisatiestap (gradient descent op de gate-parameters) om de getrouwheid te maximaliseren.

Belangrijkste Bijdragen

• Variëteit-bewuste Diffusie: Dit werk introduceert een diffusieproces dat de $SU(2)$-geometrie respecteert door gebruik te maken van de warmtekernel en Lie-algebra tangentiële ruimten, in plaats van gate-parameters als Euclidische vectoren te behandelen.
• Hardware-bewuste Synthese: Het kader incorporeert expliciet hardwarebeperkingen (connectiviteit en foutpercentages) in de trainingsdoelstelling, waardoor het model een afweging kan leren tussen circuit-getrouwheid en implementatiekosten.
• Hybride Discrete-Continue Architectuur: Door de discrete selectie van het skeleton te ontkoppelen van de continue generatie van de gates, adresseert het model de gemengde structuur van het syntheseprobleem.
• Controleerbare Oplossingsstijlen: De auteurs demonstreren dat de diffusie-prior gestuurd kan worden om circuits met specifieke fysieke eigenschappen te produceren (bijv. grote versus kleine gate-rotatiehoeken) door de trainingsdata te biassen, zonder de doel-unitaire te wijzigen.

Resultaten
Het model werd geëvalueerd op drie-qubit Hamiltonian-simulatietargets, inclusend het Transverse Field Ising Model (TFIM), het Heisenberg-XXZ-model en diverse Pauli-gebaseerde targets.

• Compilatie Succes: De volledige pijplijn (Selector + Lie Group Diffusion + Local Refinement) bereikte een succespercentage van 75,8% (fidelity $F \ge 0,99$) over diverse Hamiltonian-families. Dit presteerde beter dan zowel een Haar-random zoek-baseline (65,3%) als een "generated search" baseline met een geleerde near-Clifford prior (68,3%).
• Ablatie-studies:
  • Noodzaak van Verfijning: Diffusie zonder lokale verfijning leverde een zeer laag succespercentage op (8,6%), terwijl verfijning startend vanaf Haar-random gates eveneens ondermaats presteerde. De combinatie van diffusie en lokale verfijning bleek complementair: diffusie levert een geometrie-bewuste globale proposal, terwijl verfijning een lokale high-fidelity optimalisatie uitvoert.
  • Selector Prestaties: De geleerde skeleton selector bereikte een nauwkeurigheid van 75,6% in het matchen met de "oracle" skeleton (de beste mogelijke keuze gegeven de hardwarekosten). De selector vermeed succesvol onnodige verstrengeling voor lokale targets en selecteerde alleen diepere verstrengelings-templates wanneer dat vereist was.
  • Fidelity-Complexiteit Grens: Analyse van het fidelity-kostenlandschap toonde aan dat de selector leert om de waarschijnlijkheid te concentreren op de "eerste succesvolle" complexiteitsklasse (bijv. het selecteren van een 4-CZ skeleton boven een 5-CZ skeleton als beide voldoen aan de fidelity-drempel, maar de eerste lagere hardwarekosten heeft).
  • Sturing: Het model genereerde succesvol circuits voor hetzelfde doel met significant verschillende totale rotatiehoeken, wat de controle over de oplossingsstijl aantoont.

Betekenis en Claims
Het artikel claimt dat Lie-groep diffusie een "natuurlijk generatief kader" biedt voor hardware-bewuste kwantumcircuit-synthese. De betekenis ligt in het behandelen van circuit-synthese als een beperkt fysisch ontwerpprobleem waarbij de generatieve prior de onderliggende geometrie van de kwantumgates respecteert. De auteurs stellen dat deze aanpak verder gaat dan willekeurige circuitgeneratie door gestructureerde proposal-priors te creëren die de balans bewaken tussen getrouwheid en hardware-overhead. Zij merken op dat hoewel het huidige werk zich richt op drie-qubit systemen als een niet-triviaal testbed, de modulaire architectuur (gescheiden selector en diffusie componenten) is ontworpen om extensibel te zijn naar grotere aantallen qubits en complexere connectiviteitsgrafieken (zoals 2D-grids of heavy-hex architecturen) in toekomstig werk. De methode biedt een interpreteerbare machine learning-aanpak waarbij de discrete selectie wordt gedreven door hardwarekosten en de continue generatie is geworteld in de Lie-groeptheorie.