論文の概要: A Short Scalability Study on the SeQUeNCe Parallel Quantum Network Simulator

• arxiv url: http://arxiv.org/abs/2503.09776v1
• Date: Wed, 12 Mar 2025 19:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:18.434446
• Title: A Short Scalability Study on the SeQUeNCe Parallel Quantum Network Simulator
• Title（参考訳）: SeQUeNCe並列量子ネットワークシミュレータの短時間スケーラビリティに関する研究
• Authors: Aaron Welch, Mariam Kiran,
• Abstract要約: SeQUeNCe離散イベントシミュレータは、システムアーキテクチャや大規模でうまく機能することがまだ証明されていない。 その結果、スケーラビリティの挙動に関する新たな知見が得られ、その戦略と改善の可能性について検討する。
• 参考スコア（独自算出の注目度）: 0.10742675209112622
• License:
• Abstract: As quantum networking continues to grow in importance, its study is of interest to an ever wider community and at an increasing scale. However, the development of its physical infrastructure remains burdensome, and services providing third party access are not enough to meet demand. A variety of simulation frameworks provide a method for testing aspects of such systems on commodity hardware, but are predominantly serial and thus unable to scale to larger networks and/or workloads. One effort to address this was focused on parallelising the SeQUeNCe discrete event simulator, though it has yet to be proven to work well across system architectures or at larger scales. Therein lies the contribution of this work - to more deeply examine its scalability using ORNL Frontier. Our results provide new insight into its scalability behaviour, and we examine its strategy and how it may be able to be improved.
• Abstract（参考訳）: 量子ネットワークの重要性が増し続けており、その研究はより広いコミュニティと規模で関心を集めている。 しかし、物理的なインフラの開発は依然として負担がかかり、サードパーティへのアクセスを提供するサービスは需要を満たすには不十分である。 様々なシミュレーションフレームワークは、これらのシステムの側面をコモディティハードウェア上でテストする方法を提供するが、主にシリアルであり、より大きなネットワークやワークロードにスケールできない。 この問題に対処するためには、SeQUeNCe離散イベントシミュレータの並列化に重点を置いているが、システムアーキテクチャや大規模でうまく機能することがまだ証明されていない。 ORNL Frontierを使用したスケーラビリティをより深く検討するために、この作業の貢献がある。 その結果、スケーラビリティの挙動に関する新たな知見が得られ、その戦略と改善の可能性について検討する。

関連論文リスト

• SeQUeNCe GUI: An Extensible User Interface for Discrete Event Quantum Network Simulations [55.2480439325792]
  SeQUeNCeは、量子ネットワーク通信のオープンソースシミュレータである。 我々はSeQUeNCeの中核となる原則を維持できるグラフィカルユーザインタフェースを実装している。
  論文  参考訳（メタデータ） (2025-01-15T19:36:09Z)
• Simulators for Quantum Network Modelling: A Comprehensive Review [0.10742675209112622]
  我々は、量子ネットワークのモデリングに現在使われているツールキットについて、私たちの知る限り、レビューする。 これらのツールキットと標準化されたバリデーション技術により、より正確で信頼性の高い量子ネットワークシミュレータの基礎を構築できる。
  論文  参考訳（メタデータ） (2024-08-21T21:07:46Z)
• A Web-based Software Development Kit for Quantum Network Simulation [0.29465623430708915]
  量子ネットワーキングコミュニティを構築するための牽引力は限られている。 我々のQuantum Network Development Kit(QNDK)プロジェクトはこれらの問題を解決することを目的としている。 非常に少ないコードで簡単に量子ネットワークシミュレーションを開発、実行するためのグラフィカルなユーザーインターフェイスを含んでいる。
  論文  参考訳（メタデータ） (2024-08-10T16:15:13Z)
• High-level Stream Processing: A Complementary Analysis of Fault Recovery [1.3398445165628463]
  当社では,大規模なクラウド可観測性プラットフォームのほぼリアルタイム分析の要件に触発された,ロバストなデプロイメントセットアップに重点を置いています。 その結果,障害回復と性能向上の可能性が示唆された。 大規模産業のセットアップには、透過的な構成チューニングのための新しい抽象化も必要である。
  論文  参考訳（メタデータ） (2024-05-13T16:48:57Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• 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)
• Parallel Simulation of Quantum Networks with Distributed Quantum State Management [56.24769206561207]
  我々は、量子ネットワークの並列シミュレーションの要件を特定し、最初の並列離散事象量子ネットワークシミュレータを開発する。 コントリビューションには、複数のプロセスに分散した共有量子情報を維持する量子状態マネージャの設計と開発が含まれています。 既存のシーケンシャルバージョンと並行してオープンソースツールとして,並列SeQUeNCeシミュレータをリリースする。
  論文  参考訳（メタデータ） (2021-11-06T16:51:17Z)
• HPTQ: Hardware-Friendly Post Training Quantization [6.515659231669797]
  ハードウェアフレンドリーなポストトレーニング量子化(HPTQ)フレームワークを導入する。 分類,オブジェクト検出,セマンティックセグメンテーション,ポーズ推定の4つのタスクについて大規模な研究を行う。 ハードウェアフレンドリーな制約の下で競争結果が得られることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-09-19T12:45:01Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。