Quarl: Un Optimizador de Circuitos Cuánticos Basado en Aprendizaje

Optimizar circuitos cuánticos es un desafío debido al gran espacio de búsqueda de circuitos funcionalmente equivalentes y la necesidad de aplicar transformaciones que disminuyen temporalmente el rendimiento para lograr una mejora final en el rendimiento. Este documento presenta Quarl, un optimizador de circuitos cuánticos basado en aprendizaje. La aplicación de aprendizaje por refuerzo (RL) a la optimización de circuitos cuánticos plantea dos desafíos principales: el amplio y variable espacio de acciones y la representación de estados no uniforme. Quarl aborda estos problemas con una nueva arquitectura neural y un procedimiento de entrenamiento por RL. Nuestra arquitectura neural descompone el espacio de acciones en dos partes y aprovecha las redes neuronales gráficas en su representación de estados, ambos guiados por la intuición de que las decisiones de optimización pueden ser en su mayoría guiadas por razonamientos locales, permitiendo al mismo tiempo un razonamiento global en todo el circuito. Nuestra evaluación muestra que Quarl supera significativamente a los optimizadores de circuitos existentes en casi todos los circuitos de referencia. Sorprendentemente, Quarl puede aprender a realizar la fusión de rotaciones, una compleja optimización de circuitos no locales implementada como un paso separado en los optimizadores existentes.