Мультиагентне навчання з підкріпленням для оптимізації квантових схем

Abstract

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.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.