論文の概要: CloudQC: A Network-aware Framework for Multi-tenant Distributed Quantum Computing

• arxiv url: http://arxiv.org/abs/2504.20389v1
• Date: Tue, 29 Apr 2025 03:19:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.732387
• Title: CloudQC: A Network-aware Framework for Multi-tenant Distributed Quantum Computing
• Title（参考訳）: CloudQC:マルチテナント分散量子コンピューティングのためのネットワーク対応フレームワーク
• Authors: Ruilin Zhou, Yuhang Gan, Yi Liu, Chen Qian,
• Abstract要約: この研究は、マルチテナント環境のための回路配置とリソーススケジューリングフレームワークを設計する最初の試みである。 提案するフレームワークはCloudQCと呼ばれ、2つの主要な機能コンポーネント、回路配置とネットワークスケジューラを含んでいる。
• 参考スコア（独自算出の注目度）: 12.138985966967965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed quantum computing (DQC) that allows a large quantum circuit to be executed simultaneously on multiple quantum processing units (QPUs) becomes a promising approach to increase the scalability of quantum computing. It is natural to envision the near-future DQC platform as a multi-tenant cluster of QPUs, called a Quantum Cloud. However, no existing DQC work has addressed the two key problems of running DQC in a multi-tenant quantum cloud: placing multiple quantum circuits to QPUs and scheduling network resources to complete these jobs. This work is the first attempt to design a circuit placement and resource scheduling framework for a multi-tenant environment. The proposed framework is called CloudQC, which includes two main functional components, circuit placement and network scheduler, with the objectives of optimizing both quantum network cost and quantum computing time. Experimental results with real quantum circuit workloads show that CloudQC significantly reduces the average job completion time compared to existing DQC placement algorithms for both single-circuit and multi-circuit DQC. We envision this work will motivate more future work on network-aware quantum cloud.
• Abstract（参考訳）: 大規模量子回路を複数の量子処理ユニット(QPU)上で同時に実行可能にする分散量子コンピューティング(DQC)は、量子コンピューティングのスケーラビリティを高めるための有望なアプローチである。 近未来のDQCプラットフォームを、Quantum Cloudと呼ばれるQPUのマルチテナントクラスタとして想定するのは当然です。 しかし、複数の量子回路をQPUに配置し、ネットワークリソースをスケジューリングすることで、マルチテナント量子クラウドでDQCを実行するという2つの重要な問題に対処する既存のDQC作業は存在しない。 この研究は、マルチテナント環境のための回路配置とリソーススケジューリングフレームワークを設計する最初の試みである。 提案するフレームワークはCloudQCと呼ばれ、回路配置とネットワークスケジューラという2つの主要な機能コンポーネントを含み、量子ネットワークコストと量子コンピューティング時間の両方を最適化することを目的としている。 実量子回路の負荷による実験結果から、CloudQCは単一回路と多回路DQCの両方の既存のDQC配置アルゴリズムと比較して、平均ジョブ完了時間を著しく短縮することがわかった。 この研究が今後のネットワーク対応量子クラウドへの取り組みを動機づけることを期待しています。

関連論文リスト

• 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)
• Applying an Evolutionary Algorithm to Minimize Teleportation Costs in Distributed Quantum Computing [3.0846297887400977]
  量子通信ネットワークは、古典的および量子チャネルを介して複数の量子コンピュータ(QC)を接続することによって形成することができる。 分散量子コンピューティングでは、QCは集合的に量子計算を行う。 本稿では,この問題に対する進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-30T13:10:28Z)
• A Design Framework for the Simulation of Distributed Quantum Computing [2.969582361376132]
  大規模量子コンピュータの需要増加は分散量子コンピューティング(DQC)の研究を推し進めている 最近の実験的試みは、そのような設計のためのビルディングブロックのいくつかを実証している。 DQCシステムは、量子ネットワークのインフラによって接続された量子処理ユニットのクラスタである。
  論文  参考訳（メタデータ） (2023-06-20T13:52:05Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Open Source Variational Quantum Eigensolver Extension of the Quantum Learning Machine (QLM) for Quantum Chemistry [0.0]
  我々は,化学に着想を得た適応手法の使用と開発のための新しいオープンソースQCパッケージ,Open-VQEを紹介した。 Atos Quantum Learning Machine (QLM)は、コンピュータプログラムを記述、最適化できる汎用プログラミングフレームワークである。 OpenVQEとともに、新しいオープンソースモジュールであるmyQLMFermion(QC開発において重要な重要なQLMリソースを含む)を紹介します。
  論文  参考訳（メタデータ） (2022-06-17T14:24:22Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。