論文の概要: A High-Performance Multilevel Framework for Quantum Layout Synthesis

• arxiv url: http://arxiv.org/abs/2505.24169v1
• Date: Fri, 30 May 2025 03:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.749951
• Title: A High-Performance Multilevel Framework for Quantum Layout Synthesis
• Title（参考訳）: 量子レイアウト合成のための高性能マルチレベルフレームワーク
• Authors: Shuohao Ping, Naren Sathishkumar, Wan-Hsuan Lin, Hanyu Wang, Jason Cong,
• Abstract要約: QLSのための高性能マルチレベルフレームワークML-SABREを提案する。 我々は、あらゆるレベルで最先端のLightSABREを採用し、効率と性能の両立を図っている。 ML-SABREは、SWAP数では最大82%、回路深さでは49%の最適ギャップを著しく減少させることができる。
• 参考スコア（独自算出の注目度）: 5.673807948689425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Layout Synthesis (QLS) is a critical compilation stage that adapts quantum circuits to hardware constraints with an objective of minimizing the SWAP overhead. While heuristic tools demonstrate good efficiency, they often produce suboptimal solutions, and exact methods suffer from limited scalability. In this work, we propose ML-SABRE, a high-performance multilevel framework for QLS that improves both solution quality and compilation time through a hierarchical optimization approach. We employ the state-of-the-art heuristic method, LightSABRE, at all levels to ensure both efficiency and performance. Our evaluation on real benchmarks and hardware architectures shows that ML-SABRE decreases SWAP count by over 60%, circuit depth by 17%, and delivers a 60% compilation time reduction compared to state-of-the-art solvers. Further optimality studies reveal that ML-SABRE can significantly reduce the optimality gap by up to 82% for SWAP count and 49% for circuit depth, making it well-suited for emerging quantum devices with increasing size and architectural complexity.
• Abstract（参考訳）: 量子レイアウト合成(QLS)は、SWAPオーバーヘッドを最小限に抑える目的で、量子回路をハードウェア制約に適応させる重要なコンパイルステージである。 ヒューリスティックツールは優れた効率を示すが、それらはしばしば最適でないソリューションを生み出し、正確なメソッドは限られたスケーラビリティに悩まされる。 本研究では,ML-SABREを提案する。ML-SABREはQLSのための高性能なマルチレベルフレームワークで,階層的な最適化手法により,ソリューションの品質とコンパイル時間の両方を改善する。 我々は、あらゆるレベルで最先端のヒューリスティックな方法であるLightSABREを採用し、効率と性能の両立を図っている。 実ベンチマークとハードウェアアーキテクチャによる評価から,ML-SABREはSWAP数を60%以上削減し,回路深度を17%削減し,最先端の解法に比べて60%のコンパイル時間短縮を実現している。 さらなる最適性の研究により、ML-SABREはSWAP数で最大82%、回路深度で49%の最適性ギャップを著しく減らし、サイズとアーキテクチャの複雑さが増す新興量子デバイスに適していることが明らかになった。

関連論文リスト

• Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
  量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。 我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
  論文  参考訳（メタデータ） (2025-05-01T14:39:26Z)
• Distributed Quantum Approximate Optimization Algorithm on a Quantum-Centric Supercomputing Architecture [1.953969470387522]
  量子近似最適化アルゴリズム(QAOA)は、ゲートベースの量子コンピューティングシステムに量子スピードアップを提供することで、最適化問題を解くことを約束している。 しかしQAOAは、大量の量子ビットと深部回路の複雑さのため、高次元問題に対する課題に直面している。 本稿では,分散QAOA(DQAOA)を,より少ないキュービットと浅い回路を必要とするタスクに分割する。
  論文  参考訳（メタデータ） (2024-07-29T17:42:25Z)
• ML-QLS: Multilevel Quantum Layout Synthesis [6.706813469929441]
  ML-QLSは、新しいコスト関数とクラスタリング戦略を統合したスケーラブルな改善操作を備えた、最初のマルチレベル量子レイアウトツールである。 実験の結果,ML-QLSは数百の量子ビットを含む問題にスケールアップでき,大規模回路用QLSツールよりも優れた52%の性能向上を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-05-28T17:10:20Z)
• SliM-LLM: Salience-Driven Mixed-Precision Quantization for Large Language Models [63.118592279833656]
  後学習量子化(PTQ)は,大規模言語モデル(LLM)の圧縮に有効な手法である 本稿では,SliM-LLMを提案する。SliM-LLMは,グループ単位でビット幅を割り当てるサリエンス駆動の混合精度量子化フレームワークである。 実験により、SliM-LLMは低ビット幅の様々なLLMにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T16:21:48Z)
• OmniQuant: Omnidirectionally Calibrated Quantization for Large Language Models [57.27101446992148]
  大規模言語モデル(LLM)は自然言語処理タスクに革命をもたらした。 近年のPTQ法はメモリフットプリントの削減とLLMの計算効率の向上に有効である。 多様な量子化設定において優れた性能を実現するLLMのOmnidirectly calibrated Quantization手法を提案する。
  論文  参考訳（メタデータ） (2023-08-25T02:28:35Z)
• Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
  我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。 問題の大きさと問題グラフの次数で指数関数的に増大する。 これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2022-01-06T21:02:30Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Fully Quantized Image Super-Resolution Networks [81.75002888152159]
  効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。 我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。 低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
  論文  参考訳（メタデータ） (2020-11-29T03:53:49Z)

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。