Projeto de um compilador quântico baseado em técnicas de aprendizado profundo

Abstract

Resumo: O computador quântico é um dispositivo que realiza cálculos por meio de propriedades da mecânica quântica, tais como a sobreposição e o entrelaçamento quântico, sendo uma tecnologia promissora na solução de problemas que hoje são inviáveis para os computadores clássicos, tais como a simulação dos estados quânticos de moléculas complexas, a criptografia quântica e a otimização por busca exaustiva de sistemas com centenas de variáveis. Entretanto, o modo peculiar com que a informação é processada e armazenada nos computadores quânticos abre um novo campo de estudos sobre como otimizar a implementação de algoritmos nesses dispositivos para explorar todo o potencial que essa tecnologia pode fornecer. Na concepção de computadores quânticos, assim como nos computadores clássicos, encontra-se a compilação de algoritmos. Por não possuir uma forma determinística de se definir o conjunto de instruções mais eficiente possível que representa um algoritmo em um dado computador quântico, a Compilação quântica é um problema que ainda não possui solução definitiva, sendo um dos focos de pesquisas na área de Computação Quântica. Dado que a compilação quântica pode ser modelada como um problema de busca por um conjunto de portas quânticas que minimize o erro entre o resultado desejado e o resultado da busca desse conjunto, o Aprendizado Profundo foi o grupo de técnicas escolhido para abordar esse problema. Neste contexto, o objetivo dessa dissertação é projetar um compilador quântico utilizando três abordagens de Aprendizado Profundo: rede neural perceptron multicamada profunda, rede neural convolucional e rede "Q" profunda, pelos quais o compilador aprenda as regras de como transformar um algoritmo em instruções de um computador quântico específico. Como resultado deste trabalho, obteve-se um modelo de rede "Q" profunda capaz de compilar algoritmos quânticos que podem ser validados no computador quântico IBM-Q 5 Tenerife por meio de algoritmos de teste, utilizando a métrica de comparação da diferença entre o número de operações quânticas utilizadas pelo compilador quântico desenvolvido e os circuitos ideais que representam esses algoritmos. Demonstra-se, ao final, que técnicas de aprendizado profundo podem ser aplicadas para a solução do problema da compilação quântica, por meio de testes de acurácia. Palavras-chave: Compilação quântica; Computador quântico; Aprendizado de Máquina; Aprendizado Profundo.

Abstract: The quantum computer is device that performs calculations by using properties of quantum mechanics such as superposition and quantum entanglement and is a promising technology for solving problems that are currently infeasible to be solved by classical computers, such as the simulation of quantum states of complex molecules, quantum cryptography and the brute-force search optimization of system with hundreds of variables. However, the unique way in which information is processed and stored in quantum computers opens up a new field of studies on how to optimize the implementation of algorithm on these devices in order to exploit the full potential that this technology can provide. In the conception of quantum computers, just like in classical computers, lies the compilation of algorithms. Because there is not a deterministic form of defining the most efficient set of instructions that represents an algorithm in a given quantum computer, the Quantum compilation is a problem that does not yet have a definitive solution, being one of the focuses of research in the area of Quantum computing. Since Quantum compilation can be modeled as a problem of searching a set of quantum gates that minimizes the error between a target result and the searching result, Deep learning was the set of techniques chosen to approach this problem. In this context, the goal of this dissertation is to design a quantum compiler by using three deep learning approaches: deep multilayer perceptron neural network, convolutional neural network and deep Q-network, whereby the compiler learns the rules of how to transform an algorithm into instructions for a specific quantum computer. As outcome of this work a trained deep Q-Network model which is able to compile quantum algorithms that can be validated on the IBM-Q 5 Tenerife quantum computer via classic test, by using the metric of comparing the difference between the number of quantum operations used by the developed quantum compiler and the number of quantum operations used in the ideal circuits that represent those algorithms. In the end, it is demonstrated that deep learning techniques can be applied to solve the quantum compilation problem by means of accuracy. Key-words: Quantum compiling; Quantum computing; Machine learning; Deep learning.