論文の概要: Predicting Good Quantum Circuit Compilation Options
- arxiv url: http://arxiv.org/abs/2210.08027v3
- Date: Fri, 19 May 2023 11:12:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 19:44:48.090991
- Title: Predicting Good Quantum Circuit Compilation Options
- Title（参考訳）: 優れた量子回路コンパイルオプションの予測
- Authors: Nils Quetschlich, Lukas Burgholzer, Robert Wille
- Abstract要約: 本稿では,量子回路のコンパイルオプションの最適組み合わせを予測するフレームワークを提案する。
95%以上の回路では、トップ3内のコンパイルオプションの組み合わせが決定される。
結果として得られた方法論は、この領域における機械学習のさらなる応用の基礎を築いた。
- 参考スコア（独自算出の注目度）: 3.610459670994051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Any potential application of quantum computing, once encoded as a quantum
circuit, needs to be compiled in order to be executed on a quantum computer.
Deciding which qubit technology, which device, which compiler, and which
corresponding settings are best for the considered problem -- according to a
measure of goodness -- requires expert knowledge and is overwhelming for
end-users from different domains trying to use quantum computing to their
advantage. In this work, we treat the problem as a statistical classification
task and explore the utilization of supervised machine learning techniques to
optimize the compilation of quantum circuits. Based on that, we propose a
framework that, given a quantum circuit, predicts the best combination of these
options and, therefore, automatically makes these decisions for end-users.
Experimental evaluations show that, considering a prototypical setting with
3000 quantum circuits, the proposed framework yields promising results: for
more than three quarters of all unseen test circuits, the best combination of
compilation options is determined. Moreover, for more than 95% of the circuits,
a combination of compilation options within the top-three is determined --
while the median compilation time is reduced by more than one order of
magnitude. Furthermore, the resulting methodology not only provides end-users
with a prediction of the best compilation options, but also provides means to
extract explicit knowledge from the machine learning technique. This knowledge
helps in two ways: it lays the foundation for further applications of machine
learning in this domain and, also, allows one to quickly verify whether a
machine learning algorithm is reasonably trained. The corresponding framework
and the pre-trained classifier are publicly available on GitHub
(https://github.com/cda-tum/MQTPredictor) as part of the Munich Quantum Toolkit
(MQT).
- Abstract（参考訳）: かつて量子回路としてエンコードされた量子コンピューティングの潜在的な応用は、量子コンピュータ上で実行されるためにコンパイルされる必要がある。
どのQubit技術、どのデバイス、どのコンパイラ、どの設定が問題を考えるのに最適かを決定するには、専門家の知識が必要で、量子コンピューティングをその利点に活用しようとする異なるドメインのエンドユーザーにとっては圧倒的である。
本研究では,この問題を統計的分類タスクとして扱い,教師あり機械学習技術を用いて量子回路のコンパイルを最適化する。
そこで我々は,量子回路が与えられた場合,これらのオプションの最適な組み合わせを予測し,その結果,エンドユーザが自動的に決定する枠組みを提案する。
実験的な評価により、3000個の量子回路を持つ原始的設定を考えると、提案されたフレームワークは有望な結果をもたらすことが示される: 未検出の試験回路の4分の3以上において、コンパイルオプションの最適な組み合わせが決定される。
さらに、95%以上の回路では、トップ3内のコンパイルオプションの組み合わせが決定されるが、中央値のコンパイル時間は1桁以上削減される。
さらに、結果として得られる方法論は、エンドユーザに最適なコンパイルオプションの予測を提供するだけでなく、機械学習技術から明確な知識を抽出する手段も提供する。
この知識は、この領域における機械学習のさらなる応用の基礎を築き、機械学習アルゴリズムが合理的に訓練されているかどうかをすばやく検証することを可能にする。
対応するフレームワークと事前トレーニングされた分類器は、ミュンヘン量子ツールキット(MQT)の一部としてGitHub(https://github.com/cda-tum/MQTPredictor)で公開されている。
関連論文リスト
- Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。
短絡の新規・ハードウェア対応回路の発見能力を示す。
本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文 参考訳（メタデータ） (2024-06-18T01:49:48Z) - Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - MQT Predictor: Automatic Device Selection with Device-Specific Circuit Compilation for Quantum Computing [4.704614749567071]
本稿では,特定のアプリケーションに適した量子デバイスを自動的に選択する手法を提案する。
MQT Predictorと呼ばれる結果のフレームワークは、最適化されたコンパイラを作成するために、さまざまなツールからコンパイラパスを混合し、マッチングすることができる。
MQT PredictorはGitHubでオープンソースとして公開されている。
論文 参考訳（メタデータ） (2023-10-10T18:00:00Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳（メタデータ） (2023-01-10T19:00:00Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Compiler Optimization for Quantum Computing Using Reinforcement Learning [3.610459670994051]
本稿では、最適化された量子回路コンパイルフローを開発するための強化学習フレームワークを提案する。
提案するフレームワークは、IBMのQiskitとQuantinuumのTKETからのコンパイルパスを選択できる。
これは、期待される忠実性に関して73%のケースで、両方のコンパイラを著しく上回っている。
論文 参考訳（メタデータ） (2022-12-08T19:00:01Z) - Data compression for quantum machine learning [2.119778346188635]
量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。
提案手法により,必要量子ビット数と量子回路の深さを調整できる。
論文 参考訳（メタデータ） (2022-04-24T03:03:14Z) - Verifying Results of the IBM Qiskit Quantum Circuit Compilation Flow [7.619626059034881]
本稿では,量子回路等価性チェックのための効率的な手法を提案する。
提案方式では,数万の操作を数秒以下で行う大規模回路インスタンスの検証が可能となる。
論文 参考訳（メタデータ） (2020-09-04T19:58:53Z) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳（メタデータ） (2020-07-21T15:36:25Z)
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。