論文の概要: Quantum Circuit Simulation by SGEMM Emulation on Tensor Cores and
Automatic Precision Selection
- arxiv url: http://arxiv.org/abs/2303.08989v1
- Date: Wed, 15 Mar 2023 23:35:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 17:32:06.692261
- Title: Quantum Circuit Simulation by SGEMM Emulation on Tensor Cores and
Automatic Precision Selection
- Title(参考訳): テンソルコア上のSGEMMエミュレーションによる量子回路シミュレーションと自動精密選択
- Authors: Hiryuki Ootomo, Hidetaka Manabe, Kenji Harada, Rio Yokota
- Abstract要約: 入力テンソル要素のレンジ統計を用いて、GEMM操作に使用するコアを選択する。
我々は,Sycamoreの量子回路を含むランダム回路サンプリング(RCS)において,スループットが最大1.86倍であることを示す。
- 参考スコア(独自算出の注目度): 2.9385229328767988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum circuit simulation provides the foundation for the development of
quantum algorithms and the verification of quantum supremacy. Among the various
methods for quantum circuit simulation, tensor network contraction has been
increasing in popularity due to its ability to simulate a larger number of
qubits. During tensor contraction, the input tensors are reshaped to matrices
and computed by a GEMM operation, where these GEMM operations could reach up to
90\% of the total calculation time. GEMM throughput can be improved by
utilizing mixed-precision hardware such as Tensor Cores, but straightforward
implementation results in insufficient fidelity for deep and large quantum
circuits. Prior work has demonstrated that compensated summation with special
care of the rounding mode can fully recover the FP32 precision of SGEMM even
when using TF32 or FP16 Tensor Cores. The exponent range is a critical issue
when applying such techniques to quantum circuit simulation. While TF32
supports almost the same exponent range as FP32, FP16 supports a much smaller
exponent range. In this work, we use the exponent range statistics of input
tensor elements to select which Tensor Cores we use for the GEMM. We evaluate
our method on Random Circuit Sampling (RCS), including Sycamore's quantum
circuit, and show that the throughput is 1.86 times higher at maximum while
maintaining accuracy.
- Abstract(参考訳): 量子回路シミュレーションは、量子アルゴリズムの開発と量子超越性の検証の基礎を提供する。
量子回路シミュレーションの様々な方法のうち、テンソルネットワークの縮小は、より多くの量子ビットをシミュレートする能力により、人気が高まっている。
テンソル収縮中、入力テンソルは行列に変換され、GEMM演算によって計算される。
GEMMスループットはTensor Coresのような混合精度のハードウェアを利用することで向上できるが、実装が簡単で、深い量子回路や大規模な量子回路では不十分である。
TF32 や FP16 Tensor Core を用いても、ラウンドモードを特別に扱った補償和が、SGEMM の FP32 精度を完全に回復できることを示した。
このような手法を量子回路シミュレーションに適用する場合、指数範囲は重要な問題である。
TF32はFP32とほぼ同じ指数域をサポートしているが、FP16はより小さい指数域をサポートしている。
本研究では、入力テンソル要素の指数範囲統計を用いて、GEMMに使用するテンソルコアを選択する。
我々は,Sycamoreの量子回路を含むランダム回路サンプリング(RCS)において,スループットが精度を維持しながら最大1.86倍であることを示す。
関連論文リスト
- Quantized Neural Networks for Low-Precision Accumulation with Guaranteed
Overflow Avoidance [68.8204255655161]
本稿では,推定時のアキュムレータの精度を下げる際に,数値オーバーフローを回避する量子化学習アルゴリズムを提案する。
本手法は,浮動小数点点ベースラインに対するモデル精度を維持しつつ,アキュムレータの精度を低減できることを示す。
論文 参考訳(メタデータ) (2023-01-31T02:46:57Z) - Riemannian quantum circuit optimization for Hamiltonian simulation [2.7893127028447813]
ハミルトンシミュレーションは量子コンピューティングの自然な応用である。
翻訳不変系では、そのような回路トポロジのゲートは古典的なコンピュータでさらに最適化することができる。
一次元格子上のイジングとハイゼンベルクのモデルに対して、我々は桁違いの精度の向上を達成する。
論文 参考訳(メタデータ) (2022-12-15T00:00:17Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々はqDriftと呼ばれるコンパイルプロトコルを導入し、それらの係数の大きさに応じてサンプリングによってランダムな積公式を構築する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減できることを示す。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Benchmarking variational quantum circuits with permutation symmetry [14.697420011246036]
SnCQAは、等変量子畳み込み回路のハードウェア効率の変動回路の集合である。
我々の量子ニューラルネットワークは、置換対称性が存在する機械学習問題を解決するのに適している。
論文 参考訳(メタデータ) (2022-11-23T05:16:26Z) - Structure Learning of Quantum Embeddings [68.8204255655161]
最適化手法により最適な量子埋め込みを自動的に選択するアルゴリズムを提案する。
我々は、我々のアプローチの性能向上を示すために、人工データセットと実世界のデータセットの両方を使用しました。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Gradient-descent quantum process tomography by learning Kraus operators [63.69764116066747]
離散および連続変数の量子システムに対して量子プロセストモグラフィー(QPT)を行う。
我々は、クラウス作用素を得るために、最適化中にいわゆるスティーフェル多様体に対して制約付き勾配-退化(GD)アプローチを用いる。
GD-QPTは、2量子ランダムプロセスを持つベンチマークにおいて、圧縮センシング(CS)と投影最小二乗QPT(PLS)の両方のパフォーマンスと一致する。
論文 参考訳(メタデータ) (2022-08-01T12:48:48Z) - A density-matrix renormalization group algorithm for simulating quantum
circuits with a finite fidelity [3.965473736150699]
量子回路シミュレーションのための密度行列再正規化群 (DMRG) アルゴリズムを開発した。
小さな回路深度では、この手法は正確であり、他の行列積状態(MPS)に基づく手法と等価である。
論文 参考訳(メタデータ) (2022-07-12T15:28:55Z) - Wide Quantum Circuit Optimization with Topology Aware Synthesis [0.8469686352132708]
ユニタリ合成は、量子回路を制限的量子ビット位相にマッピングしながら最適なマルチキュービットゲート数を達成する最適化手法である。
我々は,emphBQSKitフレームワークで構築されたトポロジ対応合成ツールであるTopASを紹介した。
論文 参考訳(メタデータ) (2022-06-27T21:59:30Z) - Gaussian initializations help deep variational quantum circuits escape
from the barren plateau [87.04438831673063]
近年、変分量子回路は量子シミュレーションや量子機械学習に広く用いられている。
しかし、ランダムな構造を持つ量子回路は、回路深さと量子ビット数に関して指数関数的に消える勾配のため、トレーニング容易性が低い。
この結果、ディープ量子回路は実用的なタスクでは実現できないという一般的な信念が導かれる。
論文 参考訳(メタデータ) (2022-03-17T15:06:40Z) - Tensor Ring Parametrized Variational Quantum Circuits for Large Scale
Quantum Machine Learning [28.026962110693695]
本稿では,テンソルリング表現を用いて回路内の量子状態を圧縮するアルゴリズムを提案する。
ストレージと計算時間は、正確なシミュレーションアルゴリズムによる指数的な増加と比較して、キュービット数とレイヤー数で線形に増加する。
We achieve a test accuracy of 83.33% on Iris dataset and a maximum of 99.30% and 76.31% on binary and ternary classification of MNIST dataset。
論文 参考訳(メタデータ) (2022-01-21T19:54:57Z)
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。