論文の概要: Achieving Energetic Superiority Through System-Level Quantum Circuit Simulation

• arxiv url: http://arxiv.org/abs/2407.00769v1
• Date: Sun, 30 Jun 2024 17:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 01:37:22.717748
• Title: Achieving Energetic Superiority Through System-Level Quantum Circuit Simulation
• Title（参考訳）: システムレベル量子回路シミュレーションによる高エネルギースーパーオリティの実現
• Authors: Rong Fu, Zhongling Su, Han-Sen Zhong, Xiti Zhao, Jianyang Zhang, Feng Pan, Pan Zhang, Xianhe Zhao, Ming-Cheng Chen, Chao-Yang Lu, Jian-Wei Pan, Zhiling Pei, Xingcheng Zhang, Wanli Ouyang,
• Abstract要約: 量子計算スーパーオリティは、高速な計算と高エネルギー効率を誇っている。 我々は,グローバル,ノード,デバイスレベルでの最適化を利用して,テンソルネットワークにおける前例のないスケーラビリティを実現する,画期的な大規模システム技術を提案する。 我々はエネルギー消費2.39kWhの14.22秒の解法を達成し、0.002の忠実度を達成し、最も顕著な結果は17.18秒の解法である。
• 参考スコア（独自算出の注目度）: 38.413545516612025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Computational Superiority boasts rapid computation and high energy efficiency. Despite recent advances in classical algorithms aimed at refuting the milestone claim of Google's sycamore, challenges remain in generating uncorrelated samples of random quantum circuits. In this paper, we present a groundbreaking large-scale system technology that leverages optimization on global, node, and device levels to achieve unprecedented scalability for tensor networks. This enables the handling of large-scale tensor networks with memory capacities reaching tens of terabytes, surpassing memory space constraints on a single node. Our techniques enable accommodating large-scale tensor networks with up to tens of terabytes of memory, reaching up to 2304 GPUs with a peak computing power of 561 PFLOPS half-precision. Notably, we have achieved a time-to-solution of 14.22 seconds with energy consumption of 2.39 kWh which achieved fidelity of 0.002 and our most remarkable result is a time-to-solution of 17.18 seconds, with energy consumption of only 0.29 kWh which achieved a XEB of 0.002 after post-processing, outperforming Google's quantum processor Sycamore in both speed and energy efficiency, which recorded 600 seconds and 4.3 kWh, respectively.
• Abstract（参考訳）: 量子計算スーパーオリティは、高速な計算と高エネルギー効率を誇っている。 Googleのsycamoreのマイルストーンな主張を否定する古典的アルゴリズムの最近の進歩にもかかわらず、ランダムな量子回路の非相関なサンプルの生成には課題が残っている。 本稿では,グローバル,ノード,デバイスレベルでの最適化を活用して,テンソルネットワークにおける前例のないスケーラビリティを実現する,画期的な大規模システム技術を提案する。 これにより、メモリ容量が数十テラバイトに達する大規模なテンソルネットワークのハンドリングが可能となり、単一のノードにおけるメモリ空間の制約を超えることができる。 我々の技術は、最大10テラバイトのメモリを持つ大規模テンソルネットワークを収容でき、最大2304GPUに達し、ピーク計算能力は561 PFLOPS半精度である。 特に、エネルギー消費2.39kWhのエネルギー消費で14.22秒の時間解を達成し、最も顕著な結果は17.18秒の時間解であり、処理後0.29kWhのエネルギー消費しか達成せず、それぞれ600秒と4.3kWhを記録したGoogleの量子プロセッサであるSycamoreを上回った。

関連論文リスト

• Technology and Performance Benchmarks of IQM's 20-Qubit Quantum Computer [56.435136806763055]
  IQM量子コンピュータはQPUと他のフルスタック量子コンピュータの両方をカバーする。 焦点は、Garnet QPUとそのアーキテクチャを特徴とする20量子ビットの量子コンピュータであり、最大150量子ビットまでスケールする。 QPUとシステムレベルベンチマークは、中央値の2キュービットゲート忠実度99.5%、グリーンバーガー・ホーネ・ザイリンガー(GHZ)状態の20キュービット全てを真のエンハングリングする。
  論文  参考訳（メタデータ） (2024-08-22T14:26:10Z)
• 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)
• 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)
• Energy Efficiency of Quantum Statevector Simulation at Scale [0.0]
  我々は,大規模な量子フーリエ変換(QFT)シミュレーションの性能とエネルギー消費をARCHER2上で行うことを検討する。 我々はCPUクロック周波数とノードメモリサイズを考慮に入れ、キャッシュブロッキングを用いて回路を再構成する。 その結果、4,096のARCHER2ノード上で44量子ビットシミュレーションを行い、40%高速なシミュレーションと35%の省エネを実現した。
  論文  参考訳（メタデータ） (2023-08-14T18:43:45Z)
• Field-deployable Quantum Memory for Quantum Networking [62.72060057360206]
  実世界の展開とスケーリングの課題に対応するために設計された量子メモリを提示する。 メモリ技術は、温かいルビジウム蒸気を記憶媒体として利用し、室温で動作する。 我々は,高忠実度検索(95%)と低演算誤差(10-2)$を,単一光子レベルの量子メモリ操作に対して160$mu s$の記憶時間で示す。
  論文  参考訳（メタデータ） (2022-05-26T00:33:13Z)
• Classical Sampling of Random Quantum Circuits with Bounded Fidelity [0.5735035463793007]
  任意のランダム量子回路の確率分布を生成するための古典的なサンプリングアルゴリズムを提案する。 古典的には、シカモア53量子ビットチップの20サイクル回路に基づいて、その忠実度を0.2%に制限した100万のサンプルを生成した。 我々は,Zuchongzhi 56-qubit 20-cycle 回路では,Selene スーパーコンピュータを用いて,忠実度 0.066% の 1M サンプルを生成可能であると推定した。
  論文  参考訳（メタデータ） (2021-12-30T14:51:39Z)
• Quantum Computational Advantage via 60-Qubit 24-Cycle Random Circuit Sampling [33.18018507595303]
  textitZuchongzhi 2.1の読み出し精度は97.74%に大幅に改善されている。 より強力な量子プロセッサにより、より大規模なランダムな量子回路サンプリングを実現することができる。
  論文  参考訳（メタデータ） (2021-09-08T08:34:28Z)
• A Cost and Power Feasibility Analysis of Quantum Annealing for NextG Cellular Wireless Networks [3.7632756519556025]
  本稿では,炭素フットプリントの制御問題とセルベースバンド処理の運用コストについて論じる。 ネットワークがセルベースバンド処理に量子アニールを利用するNextGシナリオを想定する。 量子アニールのハードウェアが102$mu$sのレイテンシと3.1Mのキュービットで動作する場合、量子アニールはCMOSと同等のスペクトル効率が得られると予測する。
  論文  参考訳（メタデータ） (2021-09-03T11:54:09Z)
• Strong quantum computational advantage using a superconducting quantum processor [33.030717006448526]
  本研究では,66個の機能量子ビットからなる2次元プログラム可能な超伝導量子プロセッサ,TextitZuchongzhiを開発した。 我々の研究は、古典的な計算を妥当な時間で実現できない、あいまいな量子計算の優位性を確立する。
  論文  参考訳（メタデータ） (2021-06-28T14:06:07Z)
• SWIS -- Shared Weight bIt Sparsity for Efficient Neural Network Acceleration [68.36996813591423]
  量子化は、ニューラルネットワークコンピューティングシステムの性能と効率の向上を先導している。 本稿では,効率的なニューラルネットワーク推論高速化のための量子化フレームワークSWIS-Shared Weight bIt Sparsityを提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:03:20Z)

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。