Мультиагентне навчання з підкріпленням для оптимізації квантових схем

Мультиагентне навчання з підкріпленням для оптимізації квантових схем

The article presents an approach to quantum circuit optimization based on Multi-Agent Reinforcement Learning (MARL), which integrates the MAPPO algorithm with Graph Neural Networks (GNNs). The relevance of the research stems from the need to reduce gate counts and circuit depth in quantum compilatio...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Datum:2025
Hauptverfasser: Kyrylov, Ivan, Sinitsyn, Igor
Format: Artikel
Sprache:Ukrainian
Veröffentlicht: V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025
Schlagworte:
мінімізація кількості вентилів
квантова компіляція
квантові обчислення
Online Zugang:https://jais.net.ua/index.php/files/article/view/531
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Problems of Control and Informatics

Institution

Problems of Control and Informatics
id oai:ojs2.jais.net.ua:article-531
record_format ojs
institution Problems of Control and Informatics
baseUrl_str
datestamp_date 2025-10-22T12:28:31Z
collection OJS
language Ukrainian
topic мінімізація кількості вентилів
квантова компіляція
квантові обчислення
spellingShingle мінімізація кількості вентилів
квантова компіляція
квантові обчислення
Kyrylov, Ivan
Sinitsyn, Igor
Мультиагентне навчання з підкріпленням для оптимізації квантових схем
topic_facet мінімізація кількості вентилів
квантова компіляція
квантові обчислення
gate count minimization
quantum compilation
quantum computing
format Article
author Kyrylov, Ivan
Sinitsyn, Igor
author_facet Kyrylov, Ivan
Sinitsyn, Igor
author_sort Kyrylov, Ivan
title Мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_short Мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_full Мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_fullStr Мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_full_unstemmed Мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_sort мультиагентне навчання з підкріпленням для оптимізації квантових схем
title_alt Multi-agent reinforcement learning for quantum circuit optimization
description The article presents an approach to quantum circuit optimization based on Multi-Agent Reinforcement Learning (MARL), which integrates the MAPPO algorithm with Graph Neural Networks (GNNs). The relevance of the research stems from the need to reduce gate counts and circuit depth in quantum compilation to enhance noise resilience and execution efficiency on current quantum devices. Unlike traditional single-agent approaches, the proposed architecture, MAQCO (Multi-Agent Quantum Circuit Optimizer), enables task distribution among agents, facilitating better scalability, coordination, and consideration of the local context of the circuit. The optimization process is implemented using equivalence-preserving transformations from the Quartz system, allowing simplification of circuits without altering their functionality. Experimental evaluation on benchmark circuits using Nam and IBM gate sets demonstrates that MAQCO achieves superior or comparable results to state-of-the-art optimizers such as Quarl and Quartz, particularly in reducing total gate count, CNOT (CX) gates, and circuit depth. Future research directions include scaling MAQCO to larger circuits, integrating ECC and ZX-based transformations, and adapting the method for hardware-aware optimization on distributed quantum architectures, taking into account topology constraints and communication costs.
publisher V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
publishDate 2025
url https://jais.net.ua/index.php/files/article/view/531
work_keys_str_mv AT kyrylovivan multiagentreinforcementlearningforquantumcircuitoptimization
AT sinitsynigor multiagentreinforcementlearningforquantumcircuitoptimization
AT kyrylovivan mulʹtiagentnenavčannâzpídkríplennâmdlâoptimízacííkvantovihshem
AT sinitsynigor mulʹtiagentnenavčannâzpídkríplennâmdlâoptimízacííkvantovihshem
first_indexed 2025-10-30T02:49:20Z
last_indexed 2025-10-30T02:49:20Z
_version_ 1847373396235517952
spelling oai:ojs2.jais.net.ua:article-5312025-10-22T12:28:31Z Multi-agent reinforcement learning for quantum circuit optimization Мультиагентне навчання з підкріпленням для оптимізації квантових схем Kyrylov, Ivan Sinitsyn, Igor мінімізація кількості вентилів квантова компіляція квантові обчислення gate count minimization quantum compilation quantum computing The article presents an approach to quantum circuit optimization based on Multi-Agent Reinforcement Learning (MARL), which integrates the MAPPO algorithm with Graph Neural Networks (GNNs). The relevance of the research stems from the need to reduce gate counts and circuit depth in quantum compilation to enhance noise resilience and execution efficiency on current quantum devices. Unlike traditional single-agent approaches, the proposed architecture, MAQCO (Multi-Agent Quantum Circuit Optimizer), enables task distribution among agents, facilitating better scalability, coordination, and consideration of the local context of the circuit. The optimization process is implemented using equivalence-preserving transformations from the Quartz system, allowing simplification of circuits without altering their functionality. Experimental evaluation on benchmark circuits using Nam and IBM gate sets demonstrates that MAQCO achieves superior or comparable results to state-of-the-art optimizers such as Quarl and Quartz, particularly in reducing total gate count, CNOT (CX) gates, and circuit depth. Future research directions include scaling MAQCO to larger circuits, integrating ECC and ZX-based transformations, and adapting the method for hardware-aware optimization on distributed quantum architectures, taking into account topology constraints and communication costs. У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейронними мережами (Graph Neural Networks — GNN). Актуальність дослідження зумовлена необхідністю зменшення кількості вентилів і глибини схем у квантовій компіляції задля підвищення стійкості до шумів та ефективності виконання алгоритмів на сучасних квантових пристроях. На відміну від традиційного одноагентного підходу запропонована архітектура MAQCO (Multi-Agent Quantum Circuit Optimizer — мультиагентний оптимізатор квантової схеми) дає змогу розподіляти завдання між агентами, що забезпечує кращу масштабованість, координацію та врахування локального контексту схеми. У дослідженні реалізовано процес оптимізації на основі еквівалентних перетворень із системи Quartz, що дає можливість зберігати функціональність схеми під час її спрощення. Експериментальна перевірка на тестах продуктивності з використанням вентильних баз Nam та IBM продемонструвала, що за допомогою MAQCO можна досягти кращих або зіставних результатів порівняно з сучасними оптимізаторами, такими як Quarl і Quartz, зокрема щодо зменшення глибини квантової схеми та загальної кількості вентилів і CNOT (CX) (Controlled NOT — контрольоване заперечення). У подальших дослідженнях передбачаються масштабування MAQCO на великі схеми, інтеграція ECC (Equivalent Circuit Class — клас еквівалентних схем) та ZX-перетворень, а також адаптація методу для апаратно-залежної оптимізації на розподілених квантових архітектурах з урахуванням топології та комунікаційних витрат. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025-08-20 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/531 10.34229/1028-0979-2025-4-7 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 70 № 4 (2025): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 108-123 International Scientific Technical Journal "Problems of Control and Informatics; Том 70 № 4 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 108-123 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 70 No. 4 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 108-123 2786-6505 2786-6491 10.34229/1028-0979-2025-4 uk https://jais.net.ua/index.php/files/article/view/531/605 Copyright (c) 2025 Ivan Kyrylov, Igor Sinitsyn https://creativecommons.org/licenses/by-nc-nd/4.0

Ähnliche Einträge