論文の概要: Tensor Networks for Simulating Quantum Circuits on FPGAs
- arxiv url: http://arxiv.org/abs/2108.06831v1
- Date: Sun, 15 Aug 2021 22:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-18 11:20:45.799886
- Title: Tensor Networks for Simulating Quantum Circuits on FPGAs
- Title(参考訳): FPGA上の量子回路シミュレーションのためのテンソルネットワーク
- Authors: Maksim Levental
- Abstract要約: 現在の量子コンピューティングのほとんどの研究は、真の量子コンピュータではなく、量子コンピュータのシミュレーションに対して行われている。
このようなシミュレーションを高速化する1つの方法は、フィールドプログラマブルゲートアレイ(FPGA)ハードウェアを使用して、行列乗算を効率的に計算することである。
量子コンピューティングシステムのメモリフットプリントを潜在的に削減する1つの方法は、テンソルネットワークとして表現することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most research in quantum computing today is performed against simulations of
quantum computers rather than true quantum computers. Simulating a quantum
computer entails implementing all of the unitary operators corresponding to the
quantum gates as tensors. For high numbers of qubits, performing tensor
multiplications for these simulations becomes quite expensive, since $N$-qubit
gates correspond to $2^{N}$-dimensional tensors. One way to accelerate such a
simulation is to use field programmable gate array (FPGA) hardware to
efficiently compute the matrix multiplications. Though FPGAs can efficiently
perform tensor multiplications, they are memory bound, having relatively small
block random access memory. One way to potentially reduce the memory footprint
of a quantum computing system is to represent it as a tensor network; tensor
networks are a formalism for representing compositions of tensors wherein
economical tensor contractions are readily identified. Thus we explore tensor
networks as a means to reducing the memory footprint of quantum computing
systems and broadly accelerating simulations of such systems.
- Abstract(参考訳): 今日の量子コンピューティングにおけるほとんどの研究は、真の量子コンピュータではなく量子コンピュータのシミュレーションに対して行われる。
量子コンピュータをシミュレーションするには、量子ゲートに対応する全てのユニタリ演算子をテンソルとして実装する必要がある。
多数の量子ビットに対して、これらのシミュレーションのテンソル乗算は、$N$-qubit gates が 2^{N}$-dimensional tensor に対応するため、非常に高価になる。
このようなシミュレーションを加速する一つの方法は、フィールドプログラマブルゲートアレイ(fpga)ハードウェアを使用して行列の乗算を効率的に計算することである。
FPGAはテンソル乗算を効率的に行うことができるが、メモリバウンドであり、比較的小さなブロックランダムアクセスメモリを持つ。
量子コンピューティングシステムのメモリフットプリントを減らす一つの方法は、それをテンソルネットワークとして表現することであり、テンソルネットワークは、経済的なテンソル収縮が容易に識別されるテンソルの構成を表現する形式である。
したがって,量子コンピュータシステムのメモリフットプリントを低減し,そのシミュレーションを広く促進する手段としてテンソルネットワークを考察する。
関連論文リスト
- Supercomputing tensor networks for U(1) symmetric quantum many-body
systems [8.948668614549659]
テンソルネットワークアルゴリズムは 基礎となる量子システムの 固有の対称性を活用できる
我々は、テンソルネットワークアルゴリズムの最先端、グラフィカル処理ユニットアクセラレーション、高並列スーパーコンピュータ実装を提供する。
論文 参考訳(メタデータ) (2023-03-20T19:33:13Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - RosneT: A Block Tensor Algebra Library for Out-of-Core Quantum Computing
Simulation [0.18472148461613155]
本稿では,分散ブロックテンソル代数のためのライブラリRosneTを提案する。
我々はPyCOMPSsプログラミングモデルを用いてテンソル演算をComposランタイムが処理するタスクの集合に変換する。
本稿では, 最大53量子ビットの量子回路シミュレーションにおいて, 優れたスケーラビリティを示す手法を検証した。
論文 参考訳(メタデータ) (2022-01-17T20:35:40Z) - TensorLy-Quantum: Quantum Machine Learning with Tensor Methods [67.29221827422164]
PyTorch APIを採用した量子回路シミュレーションのためのPythonライブラリを作成します。
Ly-Quantumは、単一のGPU上で数百のキュービット、複数のGPU上で数千のキュービットにスケールすることができる。
論文 参考訳(メタデータ) (2021-12-19T19:26:17Z) - An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian
Simulation [55.41644538483948]
現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。
我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。
提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
論文 参考訳(メタデータ) (2021-08-06T19:38:03Z) - Quantum Annealing Algorithms for Boolean Tensor Networks [0.0]
ブールテンソルネットワークのための3つの一般アルゴリズムを導入・解析する。
量子アニーラー上での解法に適した2次非制約二元最適化問題として表すことができる。
我々は、DWave 2000Q量子アニールを用いて、最大数百万個の要素を持つテンソルを効率的に分解できることを実証した。
論文 参考訳(メタデータ) (2021-07-28T22:38:18Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳(メタデータ) (2021-07-19T23:41:03Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳(メタデータ) (2021-04-21T13:26:42Z) - Efficient 2D Tensor Network Simulation of Quantum Systems [6.074275058563179]
射影エンタングル状態(PEPS)のような2次元テンソルネットワークは物理系や量子回路の重要なクラスに適している。
本稿では,PEPSに基づく手法のための新しいアルゴリズムとソフトウェア抽象化を提案する。
論文 参考訳(メタデータ) (2020-06-26T22:36:56Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。