論文の概要: Validating Large-Scale Quantum Machine Learning: Efficient Simulation of Quantum Support Vector Machines Using Tensor Networks

• arxiv url: http://arxiv.org/abs/2405.02630v3
• Date: Mon, 06 Jan 2025 22:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:48:30.883915
• Title: Validating Large-Scale Quantum Machine Learning: Efficient Simulation of Quantum Support Vector Machines Using Tensor Networks
• Title（参考訳）: 大規模量子機械学習の検証:テンソルネットワークを用いた量子支援ベクトルマシンの効率的なシミュレーション
• Authors: Kuan-Cheng Chen, Tai-Yue Li, Yun-Yuan Wang, Simon See, Chun-Chieh Wang, Robert Wille, Nan-Yow Chen, An-Cheng Yang, Chun-Yu Lin,
• Abstract要約: 本稿では,大規模量子回路のシミュレーションに有効なテンソルネットワーク方式を提案する。 我々のシミュレーターは、最大784キュービットのQSVMをうまく処理し、1つの高性能GPU上で数秒でシミュレーションを完了する。
• 参考スコア（独自算出の注目度）: 17.80970950814512
• License:
• Abstract: We present an efficient tensor-network-based approach for simulating large-scale quantum circuits, demonstrated using Quantum Support Vector Machines (QSVMs). Our method effectively reduces exponential runtime growth to near-quadratic scaling with respect to the number of qubits in practical scenarios. Traditional state-vector simulations become computationally infeasible beyond approximately 50 qubits; in contrast, our simulator successfully handles QSVMs with up to 784 qubits, completing simulations within seconds on a single high-performance GPU. Furthermore, by employing the Message Passing Interface (MPI) in multi-GPU environments, the approach shows strong linear scalability, reducing computation time as dataset size increases. We validate the framework on the MNIST and Fashion MNIST datasets, achieving successful multiclass classification and emphasizing the potential of QSVMs for high-dimensional data analysis. By integrating tensor-network techniques with high-performance computing resources, this work demonstrates both the feasibility and scalability of large-qubit quantum machine learning models, providing a valuable validation tool in the emerging Quantum-HPC ecosystem.
• Abstract（参考訳）: 本稿では,量子支援ベクトルマシン(QSVM)を用いて,大規模量子回路のシミュレーションを行う。 本手法は, 実シナリオにおけるキュービット数に対して, 指数的ランタイム成長をほぼ4次スケーリングに効果的に還元する。 従来の状態ベクトルシミュレーションは、約50キュービットを超える計算不可能となり、我々のシミュレータは、最大784キュービットのQSVMをうまく処理し、1つの高性能GPU上で数秒でシミュレーションを完了する。 さらに、マルチGPU環境でメッセージパッシングインタフェース(MPI)を利用することで、強力な線形スケーラビリティを示し、データセットのサイズが大きくなるにつれて計算時間を短縮する。 我々は、MNISTとFashion MNISTデータセットのフレームワークを検証するとともに、マルチクラス分類を成功させ、高次元データ解析のためのQSVMの可能性を強調した。 この研究は、テンソルネットワーク技術と高性能コンピューティングリソースを統合することで、大規模量子機械学習モデルの実現可能性とスケーラビリティを実証し、新興のQuantum-HPCエコシステムに価値ある検証ツールを提供する。

関連論文リスト

• Harnessing CUDA-Q's MPS for Tensor Network Simulations of Large-Scale Quantum Circuits [0.0]
  現在の最大の量子コンピュータは1000量子ビット以上を特徴としている。 量子コンピュータをシミュレートするためのより魅力的なアプローチは、ネットワークアプローチを採用することである。 ネットワークベースの手法が大規模量子ビット回路をシミュレートする重要な機会となることを示す。
  論文  参考訳（メタデータ） (2025-01-27T10:36:05Z)
• SeQUeNCe GUI: An Extensible User Interface for Discrete Event Quantum Network Simulations [55.2480439325792]
  SeQUeNCeは、量子ネットワーク通信のオープンソースシミュレータである。 我々はSeQUeNCeの中核となる原則を維持できるグラフィカルユーザインタフェースを実装している。
  論文  参考訳（メタデータ） (2025-01-15T19:36:09Z)
• Realizing Quantum Kernel Models at Scale with Matrix Product State Simulation [0.0]
  マトリックス製品状態シミュレータを用いた量子カーネルフレームワークを開発した。 我々は165の特徴と6400のトレーニングデータポイントを持つ分類タスクを実行するためにそれを利用する。 特徴量やトレーニングデータの増加に伴い,量子カーネルモデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-14T10:33:07Z)
• 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)
• TANQ-Sim: Tensorcore Accelerated Noisy Quantum System Simulation via QIR on Perlmutter HPC [16.27167995786167]
  TANQ-Simは、コヒーレントノイズと非コヒーレントノイズの両方で実用的なディープ回路をシミュレートするために設計された、フルスケールの密度行列ベースのシミュレータである。 このようなシミュレーションにかかわる計算コストに対処するため,新しい密度行列シミュレーション手法を提案する。 また,その性能を最適化するために,密度行列シミュレーションのための特定のゲート融合手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T21:16:29Z)
• State of practice: evaluating GPU performance of state vector and tensor network methods [2.4851820343103035]
  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。
  論文  参考訳（メタデータ） (2024-01-11T09:22:21Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• 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。