論文の概要: Quantum-Classical Computing via Tensor Networks

• arxiv url: http://arxiv.org/abs/2410.15080v1
• Date: Sat, 19 Oct 2024 11:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:18:09.789772
• Title: Quantum-Classical Computing via Tensor Networks
• Title（参考訳）: テンソルネットワークによる量子古典計算
• Authors: Nathaniel Tornow, Christian B. Mendl, Pramod Bhatotia,
• Abstract要約: テンソルネットワークを用いたスケーラブルなハイブリッド量子古典処理のためのフレームワークであるqTPUを紹介する。 ハイブリッド量子回路の収縮法を利用して、回路実行をハイブリッドテンソルネットワーク(h-TN)の収縮として表現する。 qTPUコンパイラは効率的なh-TN生成を自動化し、推定エラーと後処理オーバーヘッドのバランスを最適化する。
• 参考スコア（独自算出の注目度）: 0.6086160084025234
• License:
• Abstract: Circuit knitting offers a promising path to the scalable execution of large quantum circuits by breaking them into smaller sub-circuits whose output is recombined through classical postprocessing. However, current techniques face excessive overhead due to a naive postprocessing method that neglects potential optimizations in the circuit structure. To overcome this, we introduce qTPU, a framework for scalable hybrid quantum-classical processing using tensor networks. By leveraging our hybrid quantum circuit contraction method, we represent circuit execution as the contraction of a hybrid tensor network (h-TN). The qTPU compiler automates efficient h-TN generation, optimizing the balance between estimated error and postprocessing overhead, while the qTPU runtime supports large-scale h-TN contraction using quantum and classical accelerators. Our evaluation shows orders-of-magnitude reductions in postprocessing overhead, a $10^4\times$ speedup in postprocessing, and a 20.7$\times$ reduction in overall runtime compared to the state-of-the-art Qiskit-Addon-Cutting (QAC).
• Abstract（参考訳）: 回路編み込みは、古典的な後処理によって出力が再結合される小さなサブ回路に分割することで、大規模量子回路のスケーラブルな実行への有望な経路を提供する。 しかし、回路構造における潜在的な最適化を無視する単純な後処理法により、現在の手法は過度なオーバーヘッドに直面している。 これを解決するために,テンソルネットワークを用いたスケーラブルなハイブリッド量子古典処理フレームワークqTPUを導入する。 本稿では,ハイブリッド量子回路の収縮法を利用して,ハイブリッドテンソルネットワーク(h-TN)の収縮として回路実行を表現する。 qTPUコンパイラは効率的なh-TN生成を自動化し、推定エラーと後処理オーバーヘッドのバランスを最適化する。 提案手法では, 後処理オーバヘッドのオーダー・オブ・マグニチュード削減, 後処理のスピードアップ10^4\times$, ランタイム全体の20.7$\times$削減を, 最先端のQACと比較した。

関連論文リスト

• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Lazy Qubit Reordering for Accelerating Parallel State-Vector-based Quantum Circuit Simulation [0.0]
  量子回路シミュレーションのための2つの量子演算スケジューリング手法を提案する。 提案手法は、qubitリオーダーによる全対全通信を削減する。 本稿では,変分量子固有解法(VQE)シミュレーションにおける2つの主要な手順に適したこれらの手法を開発した。
  論文  参考訳（メタデータ） (2024-10-05T18:20:37Z)
• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• FragQC: An Efficient Quantum Error Reduction Technique using Quantum Circuit Fragmentation [4.2754140179767415]
  誤差確率が一定の閾値を超えると、量子回路をサブ回路に切断するソフトウェアツールであるFragQCを提示する。 回路を切断せずに直接実行した場合の忠実度は14.83%増加し、8.45%が最先端のICP法である。
  論文  参考訳（メタデータ） (2023-09-30T17:38:31Z)
• Quantum Circuit Optimization through Iteratively Pre-Conditioned Gradient Descent [0.4915744683251151]
  量子回路を最適化し、状態準備と量子アルゴリズムの実装のための性能高速化を示すために、繰り返し事前条件勾配降下(IPG)を行う。 4量子W状態と最大絡み合った5量子GHZ状態を作成するための104ドルの係数による忠実度の向上を示す。 また、IPGを用いて量子フーリエ変換のユニタリを最適化するゲインを示し、IonQの量子処理ユニット(QPU)上でそのような最適化された回路の実行結果を報告する。
  論文  参考訳（メタデータ） (2023-09-18T17:30:03Z)
• Rotation-inspired circuit cut optimization [7.562843347215286]
  近年の研究では、大きな量子回路を切断し、より小さな量子回路のクラスターに分解できることが示されている。 本稿では,回路切断の処理後オーバーヘッドを低減する方法として,回転インスパイアされた回路切断最適化(RICCO)を提案する。 本稿では、VQEの小さなインスタンスを古典的にシミュレートし、既存の回路切断手法と比較することにより、RCICCOのVQEへの適用を実証する。
  論文  参考訳（メタデータ） (2022-11-14T13:57:22Z)
• 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)
• ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors [25.18520278107402]
  量子処理ユニット(QPU)は、その量子ビットの要求量と品質の要求を満たす必要がある。 量子回路切断技術は、より強力なQPUを実現するために、大きな量子回路を複数の小さなサブ回路に切断して分散する。 われわれのツールはScaleQCと呼ばれ、新しいアルゴリズム技術を開発することでボトルネックに対処する。
  論文  参考訳（メタデータ） (2022-07-03T01:44:31Z)
• 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)
• Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
  量子回路をキューネットワークとしてモデル化することを提案する。 提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
  論文  参考訳（メタデータ） (2021-06-26T10:55:52Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)

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。