Fugu-MT 論文翻訳(概要): State of practice: evaluating GPU performance of state vector and tensor network methods

論文の概要: State of practice: evaluating GPU performance of state vector and tensor network methods

arxiv url: http://arxiv.org/abs/2401.06188v1
Date: Thu, 11 Jan 2024 09:22:21 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 21:07:28.937568
Title: State of practice: evaluating GPU performance of state vector and tensor network methods
Title（参考訳）: 現状:状態ベクトルとテンソルネットワーク法のGPU性能評価
Authors: Marzio Vallero, Flavio Vella, Paolo Rech
Abstract要約: 本稿では,8種類の量子サブルーチンを用いたテストベンチにおける現状シミュレーション手法の限界について検討する。我々は,最大1桁のスピードアップを達成し,最適なシミュレーション戦略を選択する方法について強調する。
参考スコア（独自算出の注目度）: 2.7930955543692817
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The frontier of quantum computing (QC) simulation on classical hardware is quickly reaching the hard scalability limits for computational feasibility. Nonetheless, there is still a need to simulate large quantum systems classically, as the Noisy Intermediate Scale Quantum (NISQ) devices are yet to be considered fault tolerant and performant enough in terms of operations per second. Each of the two main exact simulation techniques, state vector and tensor network simulators, boasts specific limitations. The exponential memory requirement of state vector simulation, when compared to the qubit register sizes of currently available quantum computers, quickly saturates the capacity of the top HPC machines currently available. Tensor network contraction approaches, which encode quantum circuits into tensor networks and then contract them over an output bit string to obtain its probability amplitude, still fall short of the inherent complexity of finding an optimal contraction path, which maps to a max-cut problem on a dense mesh, a notably NP-hard problem. This article aims at investigating the limits of current state-of-the-art simulation techniques on a test bench made of eight widely used quantum subroutines, each in 31 different configurations, with special emphasis on performance. We then correlate the performance measures of the simulators with the metrics that characterise the benchmark circuits, identifying the main reasons behind the observed performance trend. From our observations, given the structure of a quantum circuit and the number of qubits, we highlight how to select the best simulation strategy, obtaining a speedup of up to an order of magnitude.
Abstract（参考訳）: 古典的ハードウェアにおける量子コンピューティング(qc)シミュレーションのフロンティアは、計算可能性のハードスケーラビリティの限界に急速に達している。それでも、ノイズの多い中間スケール量子(nisq)デバイスは、毎秒の演算の面ではフォールトトレラントかつパフォーマンスに十分考慮されていないため、古典的に大きな量子システムをシミュレートする必要がある。状態ベクトルとテンソルネットワークシミュレータの2つの主要な正確なシミュレーション技術には、それぞれ特定の制限がある。状態ベクトルシミュレーションの指数メモリ要求は、現在利用可能な量子コンピュータのqubitレジスタサイズと比較すると、すぐに現在利用可能な上位HPCマシンの容量が飽和する。テンソルネットワークの縮約アプローチは、量子回路をテンソルネットワークにエンコードし、その確率振幅を得るために出力ビット列上でそれらを縮約するが、それでも最適な縮約経路を見つけるという固有の複雑さに欠ける。本稿は,31の異なる構成の8種類の量子サブルーチンからなるテストベンチ上での最先端シミュレーション手法の限界について,特に性能に重点を置いて検討することを目的とする。次に,ベンチマーク回路を特徴付ける指標とシミュレータの性能指標を相関させ,観測された性能傾向の背景にある主な要因を同定する。私たちの観察では、量子回路の構造と量子ビット数を考えると、最高のシミュレーション戦略をどのように選択するかを強調し、最大1桁のスピードアップを得る。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
Simulator Demonstration of Large Scale Variational Quantum Algorithm on HPC Cluster [0.0]
本研究は,2つの新しい手法を用いて量子シミュレーションを高速化することを目的とする。 VQEシミュレーションの200倍の高速化を実現し,32kbitsの地中エネルギー計算を許容時間で実証した。
論文参考訳（メタデータ） (2024-02-19T06:34:01Z)
Sparse Quantum State Preparation for Strongly Correlated Systems [0.0]
原理として、指数関数的にスケールする多電子波関数を線形にスケールする量子ビットレジスタに符号化することは、従来の量子化学法の限界を克服するための有望な解決策を提供する。基底状態量子アルゴリズムが実用的であるためには、量子ビットの初期化が要求される基底状態の高品質な近似に必須である。量子状態準備(QSP)は、古典的な計算から得られる近似固有状態の生成を可能にするが、量子情報のオラクルとして頻繁に扱われる。
論文参考訳（メタデータ） (2023-11-06T18:53:50Z)
Efficient Quantum Circuit Simulation by Tensor Network Methods on Modern GPUs [11.87665112550076]
量子ハードウェアでは、一次シミュレーション法は状態ベクトルとテンソルネットワークに基づいている。量子ビットと量子ゲートの数が増加するにつれて、ヒルベルト空間の圧倒的な大きさと広範な絡み合いにより、従来の状態ベクトルベースの量子回路シミュレーション手法は不十分であることが証明される。本研究では,計算効率と精度の2つの側面から最適化手法を提案する。
論文参考訳（メタデータ） (2023-10-06T02:24:05Z)
Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum Circuit Simulation [65.93830818469833]
テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
論文参考訳（メタデータ） (2023-02-13T19:00:00Z)
QuDiet: A Classical Simulation Platform for Qubit-Qudit Hybrid Quantum Systems [7.416447177941264]
textbfQuDietは、ピソンベースの高次元量子コンピューティングシミュレータである。 textbfQuDietは一般化された量子ゲートを利用する多値論理演算を提供する。 textbfQuDietは完全なqubit-quditハイブリッド量子シミュレータパッケージを提供する。
論文参考訳（メタデータ） (2022-11-15T06:07:04Z)
A Reorder Trick for Decision Diagram Based Quantum Circuit Simulation [0.4358626952482686]
本研究では,現状決定図に基づくシミュレータがシミュレーション時間でうまく動作しなかった量子回路の2つのクラスについて検討した。本稿では,そのような量子回路のシミュレーションを促進するための,シンプルで強力なリオーダー手法を提案する。
論文参考訳（メタデータ） (2022-11-14T04:55:25Z)
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)
Parallel Simulation of Quantum Networks with Distributed Quantum State Management [56.24769206561207]
我々は、量子ネットワークの並列シミュレーションの要件を特定し、最初の並列離散事象量子ネットワークシミュレータを開発する。コントリビューションには、複数のプロセスに分散した共有量子情報を維持する量子状態マネージャの設計と開発が含まれています。既存のシーケンシャルバージョンと並行してオープンソースツールとして,並列SeQUeNCeシミュレータをリリースする。
論文参考訳（メタデータ） (2021-11-06T16:51:17Z)
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)

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。