論文の概要: Quantum Circuit Simulation with Fast Tensor Decision Diagram

• arxiv url: http://arxiv.org/abs/2401.11362v1
• Date: Sun, 21 Jan 2024 01:24:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 16:56:49.753803
• Title: Quantum Circuit Simulation with Fast Tensor Decision Diagram
• Title（参考訳）: 高速テンソル決定図を用いた量子回路シミュレーション
• Authors: Qirui Zhang, Mehdi Saligane, Hun-Seok Kim, David Blaauw, Georgios Tzimpragos and Dennis Sylvester
• Abstract要約: テンソル決定図を利用してオーバヘッドを排除し,大幅な高速化を実現する,新たなオープンソースフレームワークを提案する。 本稿では,テンソル決定ダイアグラム演算のための線形複雑度ランク単純化アルゴリズム,テトリス,エッジ中心データ構造を提案する。
• 参考スコア（独自算出の注目度）: 10.24745264727704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum circuit simulation is a challenging computational problem crucial for quantum computing research and development. The predominant approaches in this area center on tensor networks, prized for their better concurrency and less computation than methods using full quantum vectors and matrices. However, even with the advantages, array-based tensors can have significant redundancy. We present a novel open-source framework that harnesses tensor decision diagrams to eliminate overheads and achieve significant speedups over prior approaches. On average, it delivers a speedup of 37$\times$ over Google's TensorNetwork library on redundancy-rich circuits, and 25$\times$ and 144$\times$ over quantum multi-valued decision diagram and prior tensor decision diagram implementation, respectively, on Google random quantum circuits. To achieve this, we introduce a new linear-complexity rank simplification algorithm, Tetris, and edge-centric data structures for recursive tensor decision diagram operations. Additionally, we explore the efficacy of tensor network contraction ordering and optimizations from binary decision diagrams.
• Abstract（参考訳）: 量子回路シミュレーションは、量子コンピューティングの研究と開発に不可欠な計算問題である。 この領域における主要なアプローチはテンソルネットワークであり、完全な量子ベクトルや行列を用いる方法よりも優れた並行性と少ない計算で評価されている。 しかし、利点があるにもかかわらず、配列ベースのテンソルは大きな冗長性を持つ。 本稿では,テンソル決定図を用いてオーバーヘッドをなくし,先行手法よりも大幅な高速化を実現するための新しいオープンソースフレームワークを提案する。 平均すると、冗長性豊富な回路上のGoogleのTensorNetworkライブラリ上で37$\times$、量子多値決定ダイアグラム上での25$\times$と144$\times$、それぞれGoogleランダムな量子回路上でのテンソル決定ダイアグラムの実装で37$\times$が提供される。 これを実現するために,再帰的テンソル決定ダイアグラム演算のための新しい線形複雑度階数簡略化アルゴリズムtetrisとエッジ中心データ構造を提案する。 さらに,二元決定図からテンソルネットワークの縮小順序と最適化の有効性について検討する。

関連論文リスト

• Limitations of tensor network approaches for optimization and sampling: A comparison against quantum and classical Ising machines [0.0]
  相互作用グラフを用いたIsingスピングラスシステムの低エネルギースペクトルを明らかにするアルゴリズムを開発した。 我々の決定論的アプローチは、分岐と境界の探索戦略と、辺辺の近似計算を組み合わせたものである。 ペガサスグラフとゼファーグラフで定義されたランダムな問題に対して、最大数千スピンのアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2024-11-25T14:35:14Z)
• Tensor Quantum Programming [0.0]
  本研究では,行列積演算子を量子回路に符号化するアルゴリズムを開発した。 これは、微分方程式、最適化問題、量子化学において頻繁に遭遇する数に対して、最大50量子ビットでの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:44:00Z)
• 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)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• 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)
• Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
  決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。 我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-01T19:00:11Z)
• 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)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Verifying Random Quantum Circuits with Arbitrary Geometry Using Tensor Network States Algorithm [0.0]
  アルゴリズムはSch$ddottexto$dinger-Feynmanアルゴリズムよりも2ドル高速である。 このアルゴリズムは, 量子コンピュータ上での比較的浅い量子回路の検証に最適であることを示す。
  論文  参考訳（メタデータ） (2020-11-05T02:20:56Z)
• Simple heuristics for efficient parallel tensor contraction and quantum circuit simulation [1.4416132811087747]
  本稿では,確率モデルを用いたテンソルネットワークの縮約のための並列アルゴリズムを提案する。 結果のアルゴリズムをランダム量子回路のシミュレーションに適用する。
  論文  参考訳（メタデータ） (2020-04-22T23:00:42Z)

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。