[論文レビュー] Efficient Preparation of Graph States using the Quotient-Augmented Strong Split Tree

Nicholas Connolly, S. Nishio+3 more|arXiv (Cornell University)|Mar 25, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

論文は、距離遺伝グラフのLC軌道を分類するための quotient-augmented strong split tree (QASST) フレームワークを開発し、分割結合と貪欲戦略を導入してグラフ状態のスケーラブルな準備を可能にし、DHグラフに対して CZ ゲート、時間ステップ、補助量子ビットの線形スケーリングを達成する。

ABSTRACT

Graph states are a key resource for measurement-based quantum computation and quantum networking, but state-preparation costs limit their practical use. Graph states related by local complement (LC) operations are equivalent up to single-qubit Clifford gates; one may reduce entangling resources by preparing a favorable LC-equivalent representative. However, exhaustive optimization over the LC orbit is not scalable. We address this problem using the split decomposition and its quotient-augmented strong split tree (QASST). For several families of distance-hereditary (DH) graphs, we use the QASST to characterize LC orbits and identify representatives with reduced controlled-Z count or preparation circuit depth. We also introduce a split-fuse construction for arbitrary DH graph states, achieving linear scaling with respect to entangling gates, time steps, and auxiliary qubits. Beyond the DH setting, we discuss a generalized divide-and-conquer split-fuse strategy and a simple greedy heuristic for generic graphs based on triangle enumeration. Together, these methods outperform direct implementations on sufficiently large graphs, providing a scalable alternative to brute-force optimization.

研究の動機と目的

• LC 等価と構造的グラフ分解を活用して大規模グラフ状態の効率的な準備を動機づける。
• QASST を用いて距離遺伝グラフの LC 軌道を特徴づけ、CZ ゲート数が少ない、または回路深度が浅い LC 代表体を特定する。
• split-fuse 構成を導入し、分数グラフからターゲット DH グラフ状態を組み立てることで CZ ゲート、時間ステップ、補助量子ビットの線形スケーリングを実現する。
• DH グラフを超える一般化 split-fuse 戦略と貪欲的な三角法ヒューリスティックを導入して、一般グラフにも適用可能とする。
• グラフ状態準備のスケーラブルな最適化を可能にする実用的ツール（例：Python スクリプト）と明示的な LC-遷移系列を提供する。

提案手法

• クォー tis- augmented strong split tree (QASST) を用いて、グラフを quotient グラフと強分割木で結合して記述する。
• QASST フレームワーク内で局所的に等価な quotient グラフを解析することで、距離遺伝グラフの LC 軌道を分類する。
• DH 系列（例：全二部グラフ、全多部グラフ、クリーク-スター、リピーターグラフ）に対して、エッジ数最小化または頂点次数最大化を満たす LC-軌道代表を解析的に導出する。
• split-fuse を導入：型-II結合を用いて quotient グラフ状態を組み立て、分割分解の線形時間計算でターゲット DH グラフ状態を準備する。
• 一般グラフに対する一般化 split-fuse を提案し、star/complete quotient graphs で適用する；素子 quotient グラフを扱う際には貪欲な三角形列挙ヒューリスティックを適用する。
• 三角形ベースの貪欲最適化（Algorithm 1）を提供し、完全 LC-軌道探索なしでエッジを削減する。

Figure 2 : (a) The effect of local complement on a graph $G$ with respect to vertex $1\in V(G)$ (green vertex). The edges between the neighbors of 1 (yellow vertices) are complemented: existing edges are deleted, and missing edges are added. (b) The LC orbit of the complete graph on three vertices,

実験結果

リサーチクエスチョン

• RQ1 LC 軌道を全列挙せずに距離遺伝グラフの LC 軌道を効率的に特徴づけるにはどうすればよいか。
• RQ2 QASST フレームワークは complete bipartite、complete multipartite、clique-stars などの DH ファミリに対して解析的な LC-最適代表を得られるか。
• RQ3 split-fuse 構成を用いて CZ ゲート、時間ステップ、補助量子ビットの線形スケーリングで大規模グラフ状態を準備できるか。
• RQ4 DH 構造が欠如する場合、generalized split-fuse と単純なヒューリスティックを用いて一般的なグラフ状態を扱えるか。
• RQ5 LC 等価クラス全体でグラフ状態準備のスケーラブルな最適化を可能にする実用的ツール（アルゴリズム、スクリプト）は何か。

主な発見

QASST-sym.	count	Q2 sym.	count	total	|E(G)|	Δ(G)	Trans. from K_{n,m}
star-center	1	star-center	1	1	nm	max{n,m}	id
star-center	1	complete	1	1	nm+ m(m-1)/2	n+m-1	c_{i^{n}}
complete	1	star-center	1	1	nm+ n(n-1)/2	n+m-1	c_{i^{m}}
star-spoke	n	complete	1	n	nm-1 + m(m-1)/2	n+m-1	c_{i^{n}}
complete	1	star-spoke	m	m	n+m-1 + n(n-1)/2	n+m-1	c_{i^{m}}
star-spoke	n	star-spoke	m	nm	n+m-1	max{n,m}	c_{i^{n}}∘ c_{i^{m}}⨀ c_{i^{n}}

• 完全二部グラフ K_{n,m} に対して、LC 軌道サイズは nm+n+m+3、軌道全体での最小エッジ数は n+m-1（binary-star により達成）、最大次数 Δ(G)=max{n,m}。
• QASST ベースの分類は complete multipartite グラフと clique-stars にも拡張され、これらの DH ファミリに対する明示的な LC-軌道解析と最適代表の同定を可能にする（ Appendix D に詳細）。
• split-fuse 構成は quotient グラフから組み立てることで DH グラフ状態の CZ ゲート、時間ステップ、補助量子ビットの線形スケーリングを達成し、線形時間の split 分解と型-II 結合を使用する。
• DH グラフを超える場合、star/complete quotient graphs を用いた一般化 split-fuse 戦略により非-DH グラフも扱え、エッジ数を削減する単純な貪欲三角形列挙ヒューリスティックを適用する。
• 三角形ベースの貪欲アルゴリズム Algorithm 1 は、 worst-case で O(|E(G)|^{1.5} + |V(G)|^{3}) の計算量でエッジを効率的に削減でき、事前の LC-軌道知識を必要としない。
• このアプローチは構造的な LC-軌道の洞察とスケーラブルな準備手法を共同で提供し、十分大きなグラフに対して brute-force 最適化を凌駕する。

Figure 3 : The split decompositions for the three special families of DH graph that we consider. $K_{n,m}$ splits into two quotient graphs, while $K_{n_{1},\cdots,n_{k}}$ and $CS^{r}_{n_{1},\cdots,n_{k}}$ always split into $k+1$ quotient graphs. We adopt the convention of labeling the central quotie