Optimizing Quantum Circuits via ZX Diagrams using Reinforcement Learning and Graph Neural Networks

📄 arXiv: 2504.03429v1 📥 PDF

作者: Alexander Mattick, Maniraman Periyasamy, Christian Ufrecht, Abhishek Y. Dubey, Christopher Mutschler, Axel Plinge, Daniel D. Scherer

分类: cs.LG, quant-ph

发布日期: 2025-04-04

💡 一句话要点

提出基于ZX图、GNN和强化学习的量子电路优化方法，减少双量子比特门数量。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 量子电路优化 ZX演算 图神经网络 强化学习 量子计算 CNOT门 电路变换

📋 核心要点

  1. 量子计算受限于双量子比特门引入的噪声，减少此类门是关键挑战。
  2. 利用ZX演算将量子电路表示为图，结合GNN和强化学习寻找最优变换序列。
  3. 实验表明，该方法在减少CNOT门数量方面与现有优化器相比具有竞争力，并具备良好的泛化能力。

📝 摘要（中文）

量子计算目前受到噪声的严重限制，特别是双量子比特门引入的噪声。因此，减少双量子比特门的数量对于含噪声的中等规模量子硬件至关重要。为了推进更可靠的量子计算，我们提出了一种基于ZX演算、图神经网络和强化学习的量子电路优化框架。通过结合强化学习和树搜索，我们的方法解决了选择ZX演算重写规则的最佳序列的挑战。我们的方法训练了一种新的强化学习策略，该策略直接在ZX图上运行，从而允许我们搜索所有可能的电路转换，以找到显著减少CNOT门数量的电路，而不是依赖于现有的启发式规则来最小化电路。这样，我们可以超越硬编码规则，从而发现任意优化规则。我们证明了我们的方法在大量不同的随机电路上的竞争力和泛化能力，可以与最先进的电路优化器相媲美。

🔬 方法详解

问题定义：论文旨在解决量子电路优化问题，具体目标是减少量子电路中双量子比特门（特别是CNOT门）的数量。现有方法通常依赖于预定义的启发式规则，这些规则在复杂电路的优化上表现有限，难以发现更优的优化策略。此外，手动设计启发式规则需要大量的专家知识和经验。

核心思路：论文的核心思路是将量子电路优化问题转化为一个序列决策问题，利用强化学习训练一个策略，该策略能够根据当前电路的ZX图表示，选择合适的ZX演算重写规则，从而逐步优化电路结构，减少CNOT门数量。这种方法避免了手动设计启发式规则的局限性，能够自动学习更有效的优化策略。

技术框架：整体框架包含以下几个主要模块：1) ZX图表示：将量子电路转化为ZX图，方便利用图神经网络进行处理。2) 图神经网络（GNN）：使用GNN提取ZX图的特征，作为强化学习智能体的输入。3) 强化学习智能体：基于GNN提取的特征，选择合适的ZX演算重写规则。4) 环境：根据智能体选择的规则，对ZX图进行变换，并返回奖励信号。5) 树搜索：结合蒙特卡洛树搜索（MCTS）等方法，探索更优的优化路径。

关键创新：最重要的技术创新点在于将ZX演算、图神经网络和强化学习相结合，实现了一种自动化的量子电路优化方法。与现有方法相比，该方法不需要手动设计启发式规则，能够自动学习更有效的优化策略，并且能够处理更复杂的量子电路。此外，直接在ZX图上进行操作，使得优化过程更加灵活和高效。

关键设计：论文中可能包含以下关键设计：1) GNN的结构设计：例如，使用哪些类型的图神经网络层（如GCN、GAT等），以及如何设计节点和边的特征。2) 奖励函数的设计：如何设计奖励函数，以鼓励智能体选择能够减少CNOT门数量的规则。3) 强化学习算法的选择：例如，使用哪种强化学习算法（如Policy Gradient、Q-learning等），以及如何调整超参数。4) 树搜索的策略：如何利用树搜索来探索更优的优化路径，以及如何平衡探索和利用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在随机生成的量子电路数据集上进行了评估，实验结果表明，该方法在减少CNOT门数量方面与最先进的电路优化器相比具有竞争力，并且在不同类型的电路上的泛化能力良好。具体性能数据未知，但摘要强调了其与现有技术的竞争力。

🎯 应用场景

该研究成果可应用于量子算法的编译和优化，特别是在噪声较大的中等规模量子计算机上，能够有效减少量子门数量，提高量子程序的运行精度和可靠性。此外，该方法还可以用于量子电路的设计和验证，加速量子计算的发展。

📄 摘要（原文）

Quantum computing is currently strongly limited by the impact of noise, in particular introduced by the application of two-qubit gates. For this reason, reducing the number of two-qubit gates is of paramount importance on noisy intermediate-scale quantum hardware. To advance towards more reliable quantum computing, we introduce a framework based on ZX calculus, graph-neural networks and reinforcement learning for quantum circuit optimization. By combining reinforcement learning and tree search, our method addresses the challenge of selecting optimal sequences of ZX calculus rewrite rules. Instead of relying on existing heuristic rules for minimizing circuits, our method trains a novel reinforcement learning policy that directly operates on ZX-graphs, therefore allowing us to search through the space of all possible circuit transformations to find a circuit significantly minimizing the number of CNOT gates. This way we can scale beyond hard-coded rules towards discovering arbitrary optimization rules. We demonstrate our method's competetiveness with state-of-the-art circuit optimizers and generalization capabilities on large sets of diverse random circuits.