Fugu-MT 論文翻訳(概要): Phase polynomials synthesis algorithms for NISQ architectures and beyond

論文の概要: Phase polynomials synthesis algorithms for NISQ architectures and beyond

arxiv url: http://arxiv.org/abs/2104.00934v1
Date: Fri, 2 Apr 2021 08:26:36 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 20:01:04.981927
Title: Phase polynomials synthesis algorithms for NISQ architectures and beyond
Title（参考訳）: NISQアーキテクチャにおける相多項式合成アルゴリズム
Authors: Vivien Vandaele, Simon Martiel, Timoth\'ee Goubault de Brugi\`ere
Abstract要約: ほとんどの場合、我々のアルゴリズムは、CNOTカウントとCNOT深さの少ない回路を生成する。また,CNOT数の増加と実行時間の短縮を両立させ,アルゴリズムと高速なアルゴリズムとのギャップを埋める手法も提案する。
参考スコア（独自算出の注目度）: 3.3722008527102894
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a framework for the synthesis of phase polynomials that addresses both cases of full connectivity and partial connectivity for NISQ architectures. In most cases, our algorithms generate circuits with lower CNOT count and CNOT depth than the state of the art or have a significantly smaller running time for similar performances. We also provide methods that can be applied to our algorithms in order to trade an increase in the CNOT count for a decrease in execution time, thereby filling the gap between our algorithms and faster ones.
Abstract（参考訳）: NISQアーキテクチャにおける完全接続と部分接続の両方のケースに対処する位相多項式合成のためのフレームワークを提案する。ほとんどの場合、アルゴリズムは、アートの状態よりも低いcnot数とcnot深さの回路を生成するか、同様の性能で実行時間を大幅に削減します。また、cnot数の増加と実行時間の短縮をトレードオフするために、アルゴリズムに適用可能なメソッドを提供し、アルゴリズムとより高速なものとのギャップを埋めます。

関連論文リスト

Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching [53.91395791840179]
我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。 USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
論文参考訳（メタデータ） (2023-12-19T02:27:22Z)
Tractable Bounding of Counterfactual Queries by Knowledge Compilation [51.47174989680976]
本稿では, パール構造因果モデルにおいて, 因果関係などの部分的特定可能なクエリのバウンダリングの問題について議論する。最近提案された反復EMスキームは初期化パラメータをサンプリングしてそれらの境界を内部近似する。シンボルパラメータを実際の値に置き換えた回路構造を,単一のシンボル知識コンパイルによって得られることを示す。
論文参考訳（メタデータ） (2023-10-05T07:10:40Z)
Improving Quantum Circuit Synthesis with Machine Learning [0.7894596908025954]
機械学習をユニタリデータセットに適用することで、合成アルゴリズムの大幅な高速化が可能になることを示す。本稿では,学習モデルを用いたシード合成アルゴリズムQSeedについて述べる。
論文参考訳（メタデータ） (2023-06-09T01:53:56Z)
Locality-aware Qubit Routing for the Grid Architecture [1.4459640831465588]
本稿では,グラフ理論に基づく局所性を考慮した量子ビットルーティングアルゴリズムを提案する。我々のアルゴリズムはグリッドとある種の"グリッドのような"アーキテクチャのために設計されている。
論文参考訳（メタデータ） (2022-03-21T20:46:39Z)
Decoding techniques applied to the compilation of CNOT circuits for NISQ architectures [0.0]
本稿では,シンドローム復号問題の解法に基づくCNOT回路の合成アルゴリズムを提案する。本手法は、全量子ビット接続の理想的なハードウェアの場合と、接続が制限された短期量子デバイスの場合に対処する。
論文参考訳（メタデータ） (2022-01-17T15:11:36Z)
AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
論文参考訳（メタデータ） (2021-09-26T07:56:10Z)
Efficient Computation of Expectations under Spanning Tree Distributions [67.71280539312536]
本稿では,エッジファクター,非プロジェクティブ・スパンニングツリーモデルにおいて,一階期待と二階期待の重要なケースに対する統一アルゴリズムを提案する。我々のアルゴリズムは勾配と期待の基本的な関係を利用しており、効率的なアルゴリズムを導出することができる。
論文参考訳（メタデータ） (2020-08-29T14:58:26Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)
Architecture-Aware Synthesis of Phase Polynomials for NISQ Devices [0.0]
本稿では,量子コンピュータの量子ビットを考慮に入れた,接続のための量子回路のための新しいアルゴリズムを提案する。我々のアルゴリズムは、現在Staqやtketで使われているアルゴリズムよりもCNOT深度が小さい回路を生成する。
論文参考訳（メタデータ） (2020-04-13T16:26:14Z)
QFAST: Quantum Synthesis Using a Hierarchical Continuous Circuit Space [5.406226763868874]
短絡回路を製造するために設計された量子合成ツールQFASTを提案する。最適なサードパーティ合成アルゴリズムを与えられた階層レベルでプラグインすることで、より短い回路を生成する方法を示す。
論文参考訳（メタデータ） (2020-03-09T23:55:43Z)
Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。ラグランジアン分解に基づく新しい手法を提案する。ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
論文参考訳（メタデータ） (2020-02-24T17:55:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。