論文の概要: TensorQC: Towards Scalable Distributed Quantum Computing via Tensor Networks
- arxiv url: http://arxiv.org/abs/2502.03445v1
- Date: Wed, 05 Feb 2025 18:42:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-06 14:24:17.300271
- Title: TensorQC: Towards Scalable Distributed Quantum Computing via Tensor Networks
- Title(参考訳): TensorQC: Tensor Networksによるスケーラブルな分散量子コンピューティングを目指して
- Authors: Wei Tang, Margaret Martonosi,
- Abstract要約: 量子処理ユニット(QPU)は、正確な結果を得るために、多数の高品質キュービットを含む必要がある。
ほとんどの科学的および産業的な古典的な計算処理は分散システム上で並列に行われる。
本稿では、スタンドアロンのQPUやそれ以前の回路切断技術には難易度の高いベンチマークを実行することを実証する。
- 参考スコア(独自算出の注目度): 16.609478015737707
- License:
- Abstract: A quantum processing unit (QPU) must contain a large number of high quality qubits to produce accurate results for problems at useful scales. In contrast, most scientific and industry classical computation workloads happen in parallel on distributed systems, which rely on copying data across multiple cores. Unfortunately, copying quantum data is theoretically prohibited due to the quantum non-cloning theory. Instead, quantum circuit cutting techniques cut a large quantum circuit into multiple smaller subcircuits, distribute the subcircuits on parallel QPUs and reconstruct the results with classical computing. Such techniques make distributed hybrid quantum computing (DHQC) a possibility but also introduce an exponential classical co-processing cost in the number of cuts and easily become intractable. This paper presents TensorQC, which leverages classical tensor networks to bring an exponential runtime advantage over state-of-the-art parallelization post-processing techniques. As a result, this paper demonstrates running benchmarks that are otherwise intractable for a standalone QPU and prior circuit cutting techniques. Specifically, this paper runs six realistic benchmarks using QPUs available nowadays and a single GPU, and reduces the QPU size and quality requirements by more than $10\times$ over purely quantum platforms.
- Abstract(参考訳): 量子処理ユニット(QPU)は、有用なスケールでの問題の正確な結果を得るために、多数の高品質キュービットを含む必要がある。
対照的に、科学と産業の古典的な計算処理のほとんどは、複数のコアにまたがるデータのコピーに依存する分散システムで並列に行われる。
残念ながら、量子データのコピーは、量子非閉鎖理論のために理論的に禁止されている。
代わりに、量子回路切断技術は、大きな量子回路を複数の小さなサブ回路に切断し、サブ回路を並列QPUに分散し、古典的な計算で結果を再構成した。
このような技術は分散ハイブリッド量子コンピューティング(DHQC)の可能性を秘めているが、カット数に指数関数的古典的コプロセッシングコストを導入し、難易度が高まる。
本稿では,古典的テンソルネットワークを活用するTensorQCを提案する。
そこで本研究では,スタンドアロンのQPUや先行回路切断技術に難易度の高いベンチマークを実演する。
具体的には、現在利用可能なQPUと1つのGPUを使用して6つの現実的なベンチマークを実行し、QPUのサイズと品質要件を純粋に量子プラットフォームよりも10\times$で削減する。
関連論文リスト
- 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) - 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) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳(メタデータ) (2023-07-31T14:45:29Z) - 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) - 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) - Cutting Quantum Circuits to Run on Quantum and Classical Platforms [25.18520278107402]
CutQCは、大規模量子回路を量子(QPU)と古典的なプラットフォーム(CPUまたはGPU)に分散して、コプロセッシングを行うスケーラブルなハイブリッドコンピューティングアプローチである。
これは、実システム実行時に達成される大きなNISQデバイスよりもはるかに高い量子回路評価忠実性を達成する。
論文 参考訳(メタデータ) (2022-05-12T02:09:38Z) - Qurzon: A Prototype for a Divide and Conquer Based Quantum Compiler [2.8873930745906957]
本稿では,新しい量子コンパイラである textbfQurzon を紹介する。
分割と計算の技法と、最適な量子ビット配置の最先端アルゴリズムの融合を取り入れている。
スケジューリングアルゴリズムもコンパイラ内で導入され、分散量子コンピューティングのパワーを探求することができる。
論文 参考訳(メタデータ) (2021-09-15T04:53:04Z) - An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian
Simulation [55.41644538483948]
現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。
我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。
提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
論文 参考訳(メタデータ) (2021-08-06T19:38:03Z) - 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) - CutQC: Using Small Quantum Computers for Large Quantum Circuit
Evaluations [18.78105450344374]
本稿では,古典コンピュータと量子コンピュータを組み合わせたスケーラブルなハイブリッドコンピューティングアプローチであるCutQCを紹介する。
CutQCは、大きな量子回路を小さなサブ回路に分割し、小さな量子デバイスで実行する。
実システムでは、CutQCは小さなプロトタイプの量子コンピュータを用いて、はるかに高い量子回路評価フィリティを達成する。
論文 参考訳(メタデータ) (2020-12-03T23:52:04Z)
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。