BriefGPT - AI 论文速递
·
具有量子比特置换的最优布局感知 CNOT 电路综合
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本文介绍了一种基于实际硬件的训练程序得出的预期性能估计来排名量子电路的机器学习方法。通过在IBM硬件上进行电路测量，发现逻辑上等效的布局的保真度可以相差一个量级。作者引入了一个用于排名的电路得分，通过使用测量数据集上的排名损失函数进行拟合。在16比特的设备上进行模型训练和执行，并与两种常见方法进行比较，结果显示该方法优于这两种方法，预测的布局噪声更低，性能更高。同时，该方法还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。
🎯
关键要点
- 介绍了一种基于实际硬件的机器学习方法，用于排名逻辑上等效的量子电路。
- 该方法应用于布局选择问题，将抽象的量子比特分配给物理比特。
- 在IBM硬件上测量的电路显示，逻辑上等效的布局的保真度可以相差一个量级。
- 引入了基于物理现象学误差模型的电路得分，通过排名损失函数进行参数化拟合。
- 数据集包括多样结构的量子电路，能够纳入实际设备噪声和误差的上下文特征。
- 在16比特的ibmq_guadalupe设备上进行模型训练和执行，结果显示优于随机布局选择和Mapomatic基准。
- 模型预测的布局噪声更低，性能更高，选择错误减少了1.8倍至3.2倍。
- 结果揭示了性能估计依赖上下文和相干门错误的特定方式。
➡️
