Új áttörés a kvantumszámításban: az AlphaCNOT keretrendszer hatékonyan csökkenti a CNOT kapuk számát a kvantumáramkörök optimalizálásában
A mesterséges intelligencia alapú megoldás a CNOT kapuk számának csökkentésével segíti a zajos, közepes méretű kvantumeszközök hatékonyabb működését.
Új mesterséges intelligencia keretrendszert fejlesztettek ki AlphaCNOT néven, amely a kvantumáramkörök optimalizálását tűzte ki célul, különös tekintettel a CNOT kapuk minimalizálására — írja az ArXiv AI.
A kvantumszámításban kulcsfontosságú feladat az áramkörök optimalizálása, mivel a jelenlegi zajos, közepes méretű kvantumeszközök (NISQ) teljesítményét nagymértékben befolyásolja a műveletek száma. A CNOT kapu alapvető fontosságú, mivel ez az egyetlen két-qubites kapu az univerzális Clifford+T halmazban.
Az AlphaCNOT egy megerősítő tanuláson (Reinforcement Learning, RL) alapuló keretrendszer, amely Monte Carlo fa keresést (MCTS) alkalmaz. A CNOT minimalizálási problémát tervezési feladatként modellezi, amivel hatékonyan oldja meg a kihívást. Ez a megközelítés eltér a korábbi, heurisztikus algoritmusoktól, mint például a Patel-Markov-Hayes (PMH) módszer, vagy más RL-alapú stratégiáktól, amelyek a topológia-tudatos szintézist célozták.
A kutatók szerint az AlphaCNOT képes felülmúlni a korábbi megoldásokat a CNOT kapuk hatékonyabb csökkentésében, ami jelentősen hozzájárulhat a kvantumszámítógépek megbízhatóságának és teljesítményének növeléséhez.