論文の概要: QuaLITi: Quantum Machine Learning Hardware Selection for Inferencing with Top-Tier Performance
- arxiv url: http://arxiv.org/abs/2405.11194v1
- Date: Sat, 18 May 2024 06:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 18:57:45.878372
- Title: QuaLITi: Quantum Machine Learning Hardware Selection for Inferencing with Top-Tier Performance
- Title(参考訳): QuaLITi: 最上位性能の推論のための量子機械学習ハードウェア選択
- Authors: Koustubh Phalak, Swaroop Ghosh,
- Abstract要約: ノイズのある中間スケール量子(NISQ)コンピュータは、量子ビットの量子状態を劣化させるノイズに悩まされる。
事前に定義された数のショットを持つ単一の実行は、待ち行列の上部に到達するのに数時間かかる。
単一のハードウェアに頼るのではなく、トレーニングに利用可能な複数のハードウェアを使用することで、パフォーマンスへの影響はわずか3~4%に留まることが示されている。
- 参考スコア(独自算出の注目度): 2.348041867134616
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum Machine Learning (QML) is an accelerating field of study that leverages the principles of quantum computing to enhance and innovate within machine learning methodologies. However, Noisy Intermediate-Scale Quantum (NISQ) computers suffer from noise that corrupts the quantum states of the qubits and affects the training and inferencing accuracy. Furthermore, quantum computers have long access queues. A single execution with a pre-defined number of shots can take hours just to reach the top of the wait queue, which is especially disadvantageous to Quantum Machine Learning (QML) algorithms that are iterative in nature. Many vendors provide access to a suite of quantum hardware with varied qubit technologies, number of qubits, coupling architectures, and noise characteristics. However, present QML algorithms do not use them for the training procedure and often rely on local noiseless/noisy simulators due to cost and training timing overhead on real hardware. Additionally, inferencing is generally performed on reduced datasets with fewer datapoints. Taking these constraints into account, we perform a study to maximize the inferencing performance of QML workloads based on the choice of hardware selection. Specifically, we perform a detailed analysis of quantum classifiers (both training and inference through the lens of hardware queue wait times) on Iris and reduced Digits datasets under noise and varied conditions such as different hardware and coupling maps. We show that using multiple readily available hardware for training rather than relying on a single hardware, especially if it has a long queue depth of pending jobs, can lead to a performance impact of only 3-4% while providing up to 45X reduction in training wait time.
- Abstract(参考訳): 量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングの原理を活用して、機械学習方法論の強化と革新を行う研究分野である。
しかし、NISQ(Noisy Intermediate-Scale Quantum)コンピュータは、量子ビットの量子状態を劣化させ、トレーニングと推論の精度に影響を与えるノイズに悩まされている。
さらに、量子コンピュータには長いアクセスキューがある。
事前に定義された数のショットを持つ単一の実行は、待ち行列の上部に到達するのに数時間かかる可能性がある。
多くのベンダーは、様々な量子ビット技術、多くの量子ビット、結合アーキテクチャ、ノイズ特性を備えた量子ハードウェアのスイートへのアクセスを提供している。
しかし、現在のQMLアルゴリズムはトレーニング手順には使用せず、実際のハードウェア上でのコストとトレーニングタイミングのオーバーヘッドのため、しばしばローカルノイズレス/ノイズの多いシミュレータに依存している。
さらに、推論は一般的に、少ないデータポイントで減ったデータセットで実行される。
これらの制約を考慮すると、ハードウェア選択の選択に基づいて、QMLワークロードの推論性能を最大化する研究を行う。
具体的には、Iris上で量子分類器(ハードウェア待ち時間のレンズによるトレーニングと推論の両方)を詳細に分析し、ノイズ下でDigitsデータセットを削減し、異なるハードウェアや結合マップのような様々な条件下で解析する。
特に、待ち行列の長いジョブの待ち行列深度を持つ場合、トレーニング待ち時間を最大45倍まで削減しながら、パフォーマンスへの影響をわずか3~4%に抑えることができることを示す。
関連論文リスト
- On Reducing the Execution Latency of Superconducting Quantum Processors via Quantum Program Scheduling [48.142860424323395]
本稿では,量子資源の利用効率を向上させるためにQPSP(Quantum Program Scheduling Problem)を導入する。
具体的には, 回路幅, 計測ショット数, 提出時間に関する量子プログラムスケジューリング手法を提案し, 実行遅延を低減する。
論文 参考訳(メタデータ) (2024-04-11T16:12:01Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文 参考訳(メタデータ) (2023-07-05T08:06:41Z) - Parallelizing Quantum-Classical Workloads: Profiling the Impact of
Splitting Techniques [4.741651490006498]
我々はIBMのQuantum Cloud上で2つのワークロード分割手法を評価した。
その結果,(1)回路切断によるVQEは,アンカット版よりも基底状態推定が39%向上し,(2)データ並列化と特徴量削減を組み合わせたQSVMは,量子ワークロード実行時間の最大3倍向上することがわかった。
論文 参考訳(メタデータ) (2023-05-11T05:46:55Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - Programming Quantum Hardware via Levenberg Marquardt Machine Learning [2.127049691404299]
機械学習は、量子コンピュータを非論理的にプログラムする体系的な方法として使用できる。
我々は、我々の機械学習アプローチがノイズとデコヒーレンスの両方に対して堅牢であることを示した。
この結果、IBMハードウェアへの移植に成功し、強力なハイブリッド強化学習技術を用いてトレーニングされた。
論文 参考訳(メタデータ) (2022-04-14T15:05:41Z) - Quantum Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳(メタデータ) (2022-04-04T21:16:06Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z)
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。