Fugu-MT 論文翻訳(概要): DC: Depth Control on Quantum Classical Circuit

論文の概要: DC: Depth Control on Quantum Classical Circuit

arxiv url: http://arxiv.org/abs/2305.11919v2
Date: Sat, 30 Sep 2023 22:07:17 GMT
ステータス: 処理完了
システム内更新日: 2023-10-03 14:42:01.888928
Title: DC: Depth Control on Quantum Classical Circuit
Title（参考訳）: DC:量子古典回路の深さ制御
Authors: Movahhed Sadeghi, Soheil Khadirsharbiyani, Mostafa Eghbali Zarch, Mahmut Taylan Kandemir
Abstract要約: 本研究は,従来の回路の深さをスライスし低下させる革命的深さ制御(DC)手法を提案する。 DCは、任意のノイズ中間スケール量子(NISQ)システムにおいて、不定サイズの回路に対して信頼性の高い結果を提供する。
参考スコア（独自算出の注目度）: 7.721002788533454
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The growing prevalence of near-term intermediate-scale quantum (NISQ) systems has brought forth a heightened focus on the issue of circuit reliability. Several quantum computing activities, such as circuit design and multi-qubit mapping, are focused on enhancing reliability via the use of different optimization techniques. The optimization of quantum classical circuits has been the subject of substantial research, with a focus on techniques such as ancilla-qubit reuse and tactics aimed at minimizing circuit size and depth. Nevertheless, the reliability of bigger and more complex circuits remains a difficulty due to potential failures or the need for time-consuming compilation processes, despite the use of modern optimization strategies. This study presents a revolutionary Depth Control (DC) methodology that involves slicing and lowering the depth of conventional circuits. This strategy aims to improve the reliability and decrease the mapping costs associated with quantum hardware. DC provides reliable outcomes for circuits of indefinite size on any Noisy Intermediate-Scale Quantum (NISQ) system. The experimental findings demonstrate that the use of DC leads to a substantial improvement in the Probability of Success Threshold (PST), with an average increase of 11x compared to non-DC baselines. Furthermore, DC exhibits a notable superiority over the next best outcome by ensuring accurate outputs with a considerable margin. In addition, the utilization of Design Compiler (DC) enables the execution of mapping and routing optimizations inside a polynomial-time complexity, which represents an advancement compared to previously suggested methods that need exponential time.
Abstract（参考訳）: 短期中規模量子システム(NISQ)の普及により、回路信頼性の問題に焦点が当てられるようになった。回路設計やマルチキュービットマッピングといったいくつかの量子コンピューティング活動は、異なる最適化手法を用いて信頼性を高めることに重点を置いている。量子古典回路の最適化は、アンシラ量子ビットの再利用や回路サイズと深さの最小化を目的とした戦術といった技術に焦点が当てられ、かなりの研究の対象となっている。それでも、より大きく複雑な回路の信頼性は、現代的な最適化戦略を使用しているにもかかわらず、潜在的な障害やコンパイルプロセスの必要性のために依然として困難である。本研究は,従来の回路の深さをスライスし低下させる革命的深さ制御法を提案する。この戦略は、量子ハードウェアに関連するマッピングコストの低減と信頼性の向上を目的としている。 DCは、任意のノイズ中間スケール量子(NISQ)システムにおいて、不定サイズの回路に対して信頼性の高い結果を提供する。実験の結果,DCの使用は,非DCベースラインと比較して平均11倍に増加し,PST(Probability of Success Threshold)の大幅な改善につながることが示された。さらにDCは、かなりのマージンで正確な出力を確保することで、次の最高の結果よりも顕著な優位性を示す。さらに、設計コンパイラ(DC)を利用することで、指数時間を必要とする提案手法と比較して、多項式時間の複雑さの中でマッピングとルーティングの最適化を実行することができる。

関連論文リスト

Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures [1.8781124875646162]
この研究は、効率的な量子回路のコンパイルとマッピングのための新しい学習ベースのアプローチを導入することにより、スケーラブルな量子コンピューティングシステムの進歩に寄与する。本研究では,Deep Reinforcement Learning (DRL) 手法を応用して,特定のマルチコアアーキテクチャのための学習手法を提案する。
論文参考訳（メタデータ） (2024-06-17T12:09:11Z)
A Fast and Adaptable Algorithm for Optimal Multi-Qubit Pathfinding in Quantum Circuit Compilation [0.0]
この研究は、量子回路のコンパイルマッピング問題における臨界サブルーチンとして、マルチキュービットパスフィンディングに焦点を当てている。本稿では,回路SWAPゲート深さに対して量子ハードウェア上で量子ビットを最適にナビゲートする二進整数線形計画法を用いてモデル化したアルゴリズムを提案する。我々は、様々な量子ハードウェアレイアウトのアルゴリズムをベンチマークし、計算ランタイム、解SWAP深さ、累積SWAPゲート誤差率などの特性を評価した。
論文参考訳（メタデータ） (2024-05-29T05:59:15Z)
A Study on Optimization Techniques for Variational Quantum Circuits in Reinforcement Learning [2.7504809152812695]
研究者は変分量子回路(VQC)に注目している VQCは、パラメータによって調整可能な量子回路をマージするハイブリッドアルゴリズムである。近年の研究では、強化学習にVQCを適用する新しい方法が提示されている。
論文参考訳（メタデータ） (2024-05-20T20:06:42Z)
Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文参考訳（メタデータ） (2024-04-17T11:00:12Z)
Mitigating crosstalk and residual coupling errors in superconducting quantum processors using many-body localization [21.175964469657803]
本研究では,Multi-Body Localization(MBL)の原理を取り入れた新しい校正手法を提案する。 MBLに基づく手法は,ノイズ,特にクロストークと残差結合誤差に対する頑健な対策として現れる。このアプローチは、特に特定の残余結合が存在する場合に、パフォーマンスを著しく改善するだけでなく、よりリソース効率が高く、コスト効率のよいキャリブレーションプロセスも提供します。
論文参考訳（メタデータ） (2023-10-10T13:36:09Z)
Adaptive Planning Search Algorithm for Analog Circuit Verification [53.97809573610992]
シミュレーションの少ない機械学習(ML)アプローチを提案する。提案手法により,OCCを全回路の仕様に近づけることができることを示す。
論文参考訳（メタデータ） (2023-06-23T12:57:46Z)
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)
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)
Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文参考訳（メタデータ） (2022-04-12T19:39:31Z)
Robust resource-efficient quantum variational ansatz through evolutionary algorithm [0.46180371154032895]
Vari Quantum Algorithm (VQAsational) は、短期デバイスにおける量子優位性を実証するための有望な手法である。我々は、広く使われているハードウェア効率の良いアンサッツのような固定VQA回路設計は、必ずしも不完全性に対して堅牢ではないことを示す。本稿では,ゲノム長調整可能な進化アルゴリズムを提案し,回路アンサッツおよびゲートパラメータの変動に最適化されたロバストなVQA回路を設計する。
論文参考訳（メタデータ） (2022-02-28T12:14:11Z)
Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。