論文の概要: Graph Neural Network-Based Predictor for Optimal Quantum Hardware Selection

• arxiv url: http://arxiv.org/abs/2507.19093v2
• Date: Mon, 04 Aug 2025 07:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:57.683524
• Title: Graph Neural Network-Based Predictor for Optimal Quantum Hardware Selection
• Title（参考訳）: 最適量子ハードウェア選択のためのグラフニューラルネットワークに基づく予測器
• Authors: Antonio Tudisco, Deborah Volpe, Giacomo Orlandi, Giovanna Turvani,
• Abstract要約: ハードウェア選択を自動化するグラフニューラルネットワーク(GNN)ベースの予測器を提案する。 グラフベース機械学習を利用して,モデル評価のための回路特徴の抽出を避ける。 実験の結果、94.4%の精度と85.5%のF1スコアをマイノリティクラスで証明し、事実上最高のコンパイル目標を予測した。
• 参考スコア（独自算出の注目度）: 0.21845291030915975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing variety of quantum hardware technologies, each with unique peculiarities such as connectivity and native gate sets, creates challenges when selecting the best platform for executing a specific quantum circuit. This selection process usually involves a brute-force approach: compiling the circuit on various devices and evaluating performance based on factors such as circuit depth and gate fidelity. However, this method is computationally expensive and does not scale well as the number of available quantum processors increases. In this work, we propose a Graph Neural Network (GNN)-based predictor that automates hardware selection by analyzing the Directed Acyclic Graph (DAG) representation of a quantum circuit. Our study evaluates 498 quantum circuits (up to 27 qubits) from the MQT Bench dataset, compiled using Qiskit on four devices: three superconducting quantum processors (IBM-Kyiv, IBM-Brisbane, IBM-Sherbrooke) and one trapped-ion processor (IONQ-Forte). Performance is estimated using a metric that integrates circuit depth and gate fidelity, resulting in a dataset where 93 circuits are optimally compiled on the trapped-ion device, while the remaining circuits prefer superconducting platforms. By exploiting graph-based machine learning, our approach avoids extracting the circuit features for the model evaluation but directly embeds it as a graph, significantly accelerating the optimal target decision-making process and maintaining all the information. Experimental results prove 94.4% accuracy and an 85.5% F1 score for the minority class, effectively predicting the best compilation target. The developed code is publicly available on GitHub (https://github.com/antotu/GNN-Model-Quantum-Predictor).
• Abstract（参考訳）: 接続性やネイティブゲートセットといったユニークな特徴を持つ様々な量子ハードウェア技術は、特定の量子回路を実行するための最良のプラットフォームを選択する際に課題を生じさせる。 この選択プロセスは、通常、様々なデバイスに回路をコンパイルし、回路深さやゲート忠実度などの要因に基づいて性能を評価する、ブルートフォースアプローチを含む。 しかし、この方法は計算コストが高く、利用可能な量子プロセッサの数が増えるほどスケールしない。 本研究では,量子回路のDAG(Directed Acyclic Graph)表現を解析することにより,ハードウェア選択を自動化するグラフニューラルネットワーク(GNN)ベースの予測器を提案する。 本研究では,3つの超伝導量子プロセッサ(IBM-Kyiv,IBM-Brisbane,IBM-Sherbrooke)と1つのトラップイオンプロセッサ(IONQ-Forte)の4つのデバイス上で,Qiskitを用いてコンパイルしたMQT Benchデータセットから498量子回路(最大27キュービット)を評価した。 回路深さとゲート忠実度を統合した測定値を用いて性能を推定し、93個の回路をトラップイオンデバイスに最適にコンパイルするデータセットを作成し、残りの回路は超伝導プラットフォームを好む。 提案手法は,グラフに基づく機械学習を利用して,モデル評価のための回路特徴の抽出を回避し,直接グラフとして埋め込み,最適目標決定過程を著しく加速し,全ての情報を維持する。 実験の結果、94.4%の精度と85.5%のF1スコアをマイノリティクラスで証明し、事実上最高のコンパイル目標を予測した。 開発済みのコードはGitHubで公開されている(https://github.com/antotu/GNN-Model-Quantum-Predictor)。

関連論文リスト

• Optimization and Synthesis of Quantum Circuits with Global Gates [44.99833362998488]
  我々は、イオントラップハードウェアに存在するGlobal Molmer-Sorensenゲートのようなグローバルな相互作用を用いて量子回路を最適化し、合成する。 このアルゴリズムはZX計算に基づいており、係留ゲートをGlobal MolmerSorensenゲートにグループ化する特別な回路抽出ルーチンを使用する。 我々は,このアルゴリズムを様々な回路でベンチマークし,最新ハードウェアによる性能向上の方法を示す。
  論文  参考訳（メタデータ） (2025-07-28T10:25:31Z)
• HaQGNN: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks [18.080290351942736]
  HaQGNNは、量子デバイストポロジ、ノイズ特性、グラフニューラルネットワーク(GNN)を統合する、ハードウェア対応の量子カーネル設計手法である。 本結果は,短期量子ハードウェア上での実用的な量子カーネル設計を促進するための学習型およびハードウェア対応戦略の可能性を強調した。
  論文  参考訳（メタデータ） (2025-06-26T11:38:54Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
  線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。 このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
  論文  参考訳（メタデータ） (2025-02-10T13:50:50Z)
• Q-gen: A Parameterized Quantum Circuit Generator [0.6062751776009752]
  本稿では、15個の現実的量子アルゴリズムを取り入れた高レベルパラメータ化量子回路生成器Q-genを紹介する。 Q-genは、古典的なコンピュータサイエンスの背景を持つユーザが量子コンピューティングの世界に飛び込むための入り口として機能するオープンソースプロジェクトである。
  論文  参考訳（メタデータ） (2024-07-26T12:22:40Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
  我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。 我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。 我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
  論文  参考訳（メタデータ） (2023-04-10T23:01:10Z)
• Interaction graph-based characterization of quantum benchmarks for improving quantum circuit mapping techniques [1.351147045576948]
  量子回路の特性を量子ビット相互作用グラフ特性によって拡張することを提案する。 本研究は, 相互作用グラフに基づくパラメータと, 量子デバイスの既存構成に対するマッピング性能指標との相関関係を明らかにする。
  論文  参考訳（メタデータ） (2022-12-13T15:24:37Z)
• TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits [26.735857677349628]
  変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。 パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。 トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T04:18:41Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Hardware-Conscious Optimization of the Quantum Toffoli Gate [11.897854272643634]
  この論文は、この抽象レベルで量子回路を最適化するための解析的および数値的アプローチを拡張している。 本稿では,解析的ネイティブゲートレベルの最適化と数値最適化を併用する手法を提案する。 最適化されたToffoliゲート実装は、標準実装と比較して18%の非忠実性低下を示す。
  論文  参考訳（メタデータ） (2022-09-06T17:29:22Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。