論文の概要: LarQucut: A New Cutting and Mapping Approach for Large-sized Quantum Circuits in Distributed Quantum Computing (DQC) Environments
- arxiv url: http://arxiv.org/abs/2502.21000v1
- Date: Fri, 28 Feb 2025 12:41:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:40:38.741009
- Title: LarQucut: A New Cutting and Mapping Approach for Large-sized Quantum Circuits in Distributed Quantum Computing (DQC) Environments
- Title（参考訳）: LarQucut:分散量子コンピューティング(DQC)環境における大規模量子回路の新しいカットとマッピングアプローチ
- Authors: Xinglei Dou, Lei Liu, Zhuohao Wang, Pengyu Li,
- Abstract要約: LarQucutは、量子コンピューティングにおける大規模回路のための新しい量子回路切断およびマッピングアプローチである。
LarQucutはカットを減らし、回路を独立したサブ回路に切断しない。
LarQucutは、大きな回路の出力を再構築するために実行されるサブ回路の数を減らすことができる。
- 参考スコア（独自算出の注目度）: 11.54922070985927
- License:
- Abstract: Distributed quantum computing (DQC) is a promising way to achieve large-scale quantum computing. However, mapping large-sized quantum circuits in DQC is a challenging job; for example, it is difficult to find an ideal cutting and mapping solution when many qubits, complicated qubit operations, and diverse QPUs are involved. In this study, we propose LarQucut, a new quantum circuit cutting and mapping approach for large-sized circuits in DQC. LarQucut has several new designs. (1) LarQucut can have cutting solutions that use fewer cuts, and it does not cut a circuit into independent sub-circuits, therefore reducing the overall cutting and computing overheads. (2) LarQucut finds isomorphic sub-circuits and reuses their execution results. So, LarQucut can reduce the number of sub-circuits that need to be executed to reconstruct the large circuit's output, reducing the time spent on sampling the sub-circuits. (3) We design an adaptive quantum circuit mapping approach, which identifies qubit interaction patterns and accordingly enables the best-fit mapping policy in DQC. The experimental results show that, for large circuits with hundreds to thousands of qubits in DQC, LarQucut can provide a better cutting and mapping solution with lower overall overheads and achieves results closer to the ground truth.
- Abstract（参考訳）: 分散量子コンピューティング(DQC)は、大規模量子コンピューティングを実現するための有望な方法である。
しかし、大規模な量子回路をDQCにマッピングすることは難しい仕事であり、例えば、多くのキュービット、複雑なキュービット演算、様々なQPUが関与している場合、理想的な切断およびマッピングソリューションを見つけることは困難である。
本研究では,DQCにおける大規模回路に対する新しい量子回路切断およびマッピング手法であるLarQucutを提案する。
LarQucutにはいくつかの新しいデザインがある。
1)LarQucutはカットが少なく,回路を独立したサブ回路に切断することができないため,全体的な切断と計算のオーバーヘッドを低減できる。
2) LarQucutは同型サブ回路を見つけ、その実行結果を再利用する。
そのため、LarQucutは大きな回路の出力を再構築するために実行する必要があるサブ回路の数を削減し、サブ回路のサンプリングに要する時間を削減できる。
適応型量子回路マッピング手法を設計し、量子ビット相互作用パターンを同定し、DQCの最適マッピングポリシーを実現する。
実験の結果,DQCで数百から数千の量子ビットを持つ大規模回路の場合,LarQucutはオーバヘッドを低く抑え,地上の真実に近い結果が得られる。
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) - Integrated Qubit Reuse and Circuit Cutting for Large Quantum Circuit
Evaluation [9.644229176158465]
高忠実度で動作可能な量子回路のサイズは、物理量子ビットの量と品質に制限される。
小型量子コンピュータ上で大きな回路を動作させるために、量子ビットの再利用と回路切断を利用する統合的なアプローチであるIQRCを提案する。
論文 参考訳（メタデータ） (2023-12-16T02:49:28Z) - 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) - Circuit Cutting with Non-Maximally Entangled States [59.11160990637615]
分散量子コンピューティングは、複数のデバイスの計算能力を組み合わせて、個々のデバイスの限界を克服する。
回路切断技術は、古典的な通信を通じて量子計算の分配を可能にする。
量子テレポーテーション(quantum teleportation)は、指数的なショットの増加を伴わない量子計算の分布を可能にする。
非最大エンタングル量子ビット対を利用する新しい回路切断法を提案する。
論文 参考訳（メタデータ） (2023-06-21T08:03:34Z) - Compiling Quantum Circuits for Dynamically Field-Programmable Neutral Atoms Array Processors [5.012570785656963]
動的にフィールドプログラマブルな量子ビットアレイ(DPQA)が量子情報処理のための有望なプラットフォームとして登場した。
本稿では,複数の配列を含むDPQAアーキテクチャについて考察する。
DPQAをベースとしたコンパイル回路では,グリッド固定アーキテクチャに比べてスケーリングオーバヘッドが小さくなることを示す。
論文 参考訳（メタデータ） (2023-06-06T08:13:10Z) - 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) - 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) - On the realistic worst case analysis of quantum arithmetic circuits [69.43216268165402]
量子回路の設計における直観は誤解を招く可能性があることを示す。
また,T数を減らすことで,全深度を増大させることができることを示した。
リップルキャリーを用いた加算回路と乗算回路について述べる。
論文 参考訳（メタデータ） (2021-01-12T21:36:16Z) - Quantum Circuit Transformation: A Monte Carlo Tree Search Framework [6.72166630054365]
Noisy Intermediate-Scale Quantum(NISQ)時代には、量子処理ユニット(QPU)は物理量子ビット間の非常に限られた接続に悩まされている。
量子回路を効果的に実行可能にするためには、それを変換するために回路変換プロセスが必要である。
回路変換問題に対処するためのモンテカルロ木探索(MCTS)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-21T06:54:55Z) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳（メタデータ） (2020-07-29T05:26:19Z)
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。