Kompilera kvantdatorkod med förstärkningsinlärning

Sammanfattning

Kvantdatorer förutspås kunna lösa vissa beräkningsintensiva problem som klassiska digitaladatorer idag inte kan lösa inom en rimlig tidsram. Ett problem med att exekverakvantkod är att informationen på en kvantbit har en begränsad livslängd. Det är därförviktigt att exekveringen sker med så få kvantgrindar som möjligt. Kvantdatorns kompilatorär också begränsad till att endast exekvera kvantgrindar på kvantbitstillstånd som ärlänkade på kretsens fysiska arkitektur. Därför behöver kompilatorn tillföra SWAP-grindarför att byta plats på kvantbitstillstånden. Detta tillför exekveringstid och placeringen avdessa SWAP-grindar kan ofta göras på många olika sätt, vilket gör att det är svårt attberäkna en optimal placering. Syftet med detta kandidatarbete är därför att utforska omplacering av SWAP-grindar kan utföras med en formulering av djup förstärkningsinlärningsom värderar tillstånd istället för handlingar.Projektet har utförts genom att programmera en miljö för djup förstärkningsinlärningutifrån en matrisrepresentation av kvantkod och kvantkretsar. Ett artificiellt neuraltnätverk av faltningstyp har designats för att läsa in ett framtida möjligttillstånd för en kvantkrets och värdera detta. Förstärkningsinlärningsagentenanvänder sedan denna värdering för att välja hur den ska placera SWAP-grindar.Förstärkningsinlärningsmodellen bygger på den öppna programvaran Stable Baseline3som använder OpenAI Gym för miljön och PyTorch för att konstruera faltningsnätverket.Modellen användes sedan för att träna två förstärkningsinlärningsagenter för två olikastorlekar av kvantkretsar. Agenterna testades sedan och lyckades med att göra en representationav kvantkod exekverbar. Deras resulterande kvantkod uppmättes dessutom endastvara något sämre än kvantbitdirigeringsprogrammet TKET. Detta antyder att värderingav kvantkretstillstånd med neurala nätverk mycket väl skulle kunna användas för attdirigera kvantbitar.