Optimizing quantum circuit placement via machine learning
Optimizing quantum circuit placement via machine learning
复制标题
通过机器学习优化量子电路布局
DOI：
10.1145/3489517.3530403
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Fan H
中科院分区：
文献类型：
--
作者：
Fan H
量子电路布局(QCP)是将合成的逻辑量子程序映射到物理量子机器上的过程，它引入额外的交换门，影响量子电路的性能。然而，确定交换门的最小数目已被证明是一个NP完全问题。已经提出了各种启发式方法来解决QCP问题，但由于缺乏探索，它们存在次优问题。虽然精确方法可以达到更高的最优性，但由于其巨大的设计空间和昂贵的运行时间，它们不能扩展到大型量子电路。通过将QCP问题描述为一个双层优化问题，提出了一种基于机器学习(ML)的新框架来应对这一挑战。为了解决底层的组合优化问题，我们采用了一种基于策略的深度强化学习(DRL)算法，并利用知识转移来增强框架的泛化能力。然后采用进化算法求解上层离散搜索问题，以较低的交换代价优化初始映射。提出的基于ML的方法提供了一种新的范式来克服传统启发式方法和精确方法的缺点，同时允许探索最优-运行时权衡。与领先的启发式方法相比，我们的基于ML的方法显著降低了高达100%的掉期成本。与领先的精确搜索算法相比，我们提出的算法在达到相同的最优水平的同时，将运行时间开销降低了40倍。
Quantum circuit placement (QCP) is the process of mapping the synthesized logical quantum programs on physical quantum machines, which introduces additional SWAP gates and affects the performance of quantum circuits. Nevertheless, determining the minimal number of SWAP gates has been demonstrated to be anNP-complete problem. Various heuristic approaches have been proposed to address QCP, but they suffer from suboptimality due to the lack of exploration. Although exact approaches can achieve higher optimality, they are not scalable for large quantum circuits due to the massive design space and expensive runtime. By formulating QCP as a bilevel optimization problem, this paper proposes a novel machine learning (ML)-based framework to tackle this challenge. To address the lower-level combinatorial optimization problem, we adopt a policy-based deep reinforcement learning (DRL) algorithm with knowledge transfer to enable the generalization ability of our framework. An evolutionary algorithm is then deployed to solve the upper-level discrete search problem, which optimizes the initial mapping with a lower SWAP cost. The proposed ML-based approach provides a new paradigm to overcome the drawbacks in both traditional heuristic and exact approaches while enabling the exploration of optimality-runtime trade-off. Compared with the leading heuristic approaches, our ML-based method significantly reduces the SWAP cost by up to 100%. In comparison with the leading exact search, our proposed algorithm achieves the same level of optimality while reducing the runtime cost by up to 40 times.
登录
查看更多内容
MUQUT：NISQ 计算机上的多约束量子电路映射：特邀论文
DOI：
10.1109/iccad45719.2019.8942132
发表时间：
2019
期刊：
2019 IEEE/ACM International Conference on Computer-Aided Design (ICCAD)
影响因子：
--
作者：
Debjyoti Bhattacharjee;Abdullah Ash;M. Alam;A. Chattopadhyay;Swaroop Ghosh
通讯作者：
Swaroop Ghosh
DOI：
10.1109/hpca53966.2022.00057
发表时间：
2021-07
期刊：
2022 IEEE International Symposium on High-Performance Computer Architecture (HPCA)
影响因子：
--
作者：
Hanrui Wang;Yongshan Ding;Jiaqi Gu;Yujun Lin;D. Pan;F. Chong;Song Han
通讯作者：
Hanrui Wang;Yongshan Ding;Jiaqi Gu;Yujun Lin;D. Pan;F. Chong;Song Han
量子电路布局的机器学习优化
DOI：
--
发表时间：
2020
期刊：
ACM Transactions on Quantum Computing
影响因子：
--
作者：
A. Paler;L. Sasu;A. Florea;Razvan Andonie
通讯作者：
Razvan Andonie
DOI：
--
发表时间：
2016-11
期刊：
ArXiv
影响因子：
--
作者：
Barret Zoph;Quoc V. Le
通讯作者：
Barret Zoph;Quoc V. Le
量子计算的最优布局综合
DOI：
10.1145/3400302.3415620
发表时间：
2020
期刊：
2020 IEEE/ACM International Conference On Computer Aided Design (ICCAD)
影响因子：
--
作者：
Daniel Bochen Tan;J. Cong
通讯作者：
J. Cong