核心概念
分散型量子コンピューティング環境における量子回路の実行時間を最小化するための、EPR対の生成と経路制御、リモート演算のスケジューリング、SWAPゲートの挿入を統合的に最適化するコンパイラモデルを提案する。
要約
本論文では、分散型量子コンピューティング(DQC)環境におけるコンパイラの最適化問題を取り扱う。DQCでは、複数の量子プロセッシングユニット(QPU)を量子リンクで接続し、量子回路を分散して実行することで、大規模な量子ビットシステムの実現を目指す。
コンパイラの主な役割は以下の3つである:
- 論理量子ビットを物理量子ビットにマッピングする初期割り当て
- EPR対の生成と経路制御、リモート演算のスケジューリング、SWAPゲートの挿入による量子ビットのルーティング
コンパイラの最適化目標は、量子回路の期待実行時間を最小化することである。これを達成するため、本論文では以下の2つの主要な貢献を行う:
- 分散型量子コンピューティング環境におけるコンパイラの最適化問題をマルコフ決定過程(MDP)として定式化し、最適アルゴリズムの存在を示す。
- 強化学習(RL)を用いて、DQC環境の複雑性に適応した制約付きRLモデルを提案し、Double Deep Q-Networkを用いて最適な政策を学習する手法を示す。
シミュレーション結果から、提案手法が量子回路の期待実行時間を削減し、成功率を向上させることが示された。
統計
量子回路の実行時間を最小化することが重要である。量子ビットは脆弱であり、早期に量子状態が崩れてしまうため。
分散型量子コンピューティング環境では、EPR対の生成と経路制御、リモート演算のスケジューリング、SWAPゲートの挿入を統合的に最適化する必要がある。
提案手法は、Double Deep Q-Networkを用いて、DQC環境の複雑性に適応した最適な政策を学習する。
引用
"分散型量子コンピューティング(DQC)は、大規模な量子ビットシステムの実現に向けた有望な道筋を提示する。"
"コンパイラの最適化目標は、量子回路の期待実行時間を最小化することである。"
"提案手法は、Double Deep Q-Networkを用いて、DQC環境の複雑性に適応した最適な政策を学習する。"