論文の概要: QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2508.04974v1
- Date: Thu, 07 Aug 2025 02:00:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.68892
- Title: QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning
- Title（参考訳）: QFOR: 深層強化学習を用いた量子コンピューティング環境のための忠実度対応オーケストレータ
- Authors: Hoa T. Nguyen, Muhammad Usman, Rajkumar Buyya,
- Abstract要約: 量子クラウドコンピューティングは、量子プロセッサへのリモートアクセスを可能にするが、量子ハードウェアの不均一性とノイズは、リソースのオーケストレーションを複雑にする。
本稿では、Deep Reinforcement Learningを用いたクラウド環境における不均一な量子ノード間のタスクの量子フィデリティアウェアオーケストレーションであるQFORを提案する。
我々のフレームワークは、量子タスク実行の完全性と時間全体のバランスをとり、異なる運用優先順位への適応を可能にします。
- 参考スコア（独自算出の注目度）: 19.006907700170693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum cloud computing enables remote access to quantum processors, yet the heterogeneity and noise of available quantum hardware create significant challenges for efficient resource orchestration. These issues complicate the optimization of quantum task allocation and scheduling, as existing heuristic methods fall short in adapting to dynamic conditions or effectively balancing execution fidelity and time. Here, we propose QFOR, a Quantum Fidelity-aware Orchestration of tasks across heterogeneous quantum nodes in cloud-based environments using Deep Reinforcement learning. We model the quantum task orchestration as a Markov Decision Process and employ the Proximal Policy Optimization algorithm to learn adaptive scheduling policies, using IBM quantum processor calibration data for noise-aware performance estimation. Our configurable framework balances overall quantum task execution fidelity and time, enabling adaptation to different operational priorities. Extensive evaluation demonstrates that QFOR is adaptive and achieves significant performance with 29.5-84% improvements in relative fidelity performance over heuristic baselines. Furthermore, it maintains comparable quantum execution times, contributing to cost-efficient use of quantum computation resources.
- Abstract（参考訳）: 量子クラウドコンピューティングは、量子プロセッサへのリモートアクセスを可能にするが、利用可能な量子ハードウェアの不均一性とノイズは、効率的なリソースオーケストレーションに重大な課題をもたらす。
これらの問題は、既存のヒューリスティック手法が動的条件に適応したり、実行の忠実さと時間とを効果的にバランスするのに不足しているため、量子タスクの割り当てとスケジューリングの最適化を複雑にしている。
本稿では、Deep Reinforcement Learningを用いて、クラウド環境における不均一な量子ノード間のタスクの量子忠実度を考慮したオーケストレーションであるQFORを提案する。
我々は、マルコフ決定プロセスとして量子タスクオーケストレーションをモデル化し、適応的なスケジューリングポリシーを学習するために、IBMの量子プロセッサキャリブレーションデータを用いて、ノイズ対応性能推定を行う。
構成可能なフレームワークは、全体的な量子タスクの実行フィリティと時間のバランスをとり、異なる運用優先順位への適応を可能にします。
広範囲な評価により、QFORは適応的であり、ヒューリスティックベースラインよりも29.5-84%の相対忠実度性能が向上した。
さらに、同等の量子実行時間を維持し、量子計算リソースのコスト効率向上に寄与する。
関連論文リスト
- TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Adaptive Job Scheduling in Quantum Clouds Using Reinforcement Learning [1.0542466736167886]
現在の量子システムは、量子ビット数制限、短いコヒーレンス間隔、エラーに対する高い感受性など、重大なボトルネックに直面している。
本稿では、リアルタイムな古典チャネルを介して接続されたネットワークQPU上での分散スケジューリングと並列実行をサポートするシミュレーションベースのツールを提案する。
論文 参考訳（メタデータ） (2025-06-12T16:54:19Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - QuSplit: Achieving Both High Fidelity and Throughput via Job Splitting on Noisy Quantum Computers [6.46676684248918]
我々は、ジョブ分割を組み込んだ遺伝的アルゴリズムに基づくスケジューリングフレームワークを開発し、忠実度とスループットを最適化する。
実験の結果,本手法はシステムスループットを著しく向上しつつ,全ジョブにわたって高い忠実性を維持していることがわかった。
論文 参考訳（メタデータ） (2025-01-21T20:43:32Z) - Noise-Aware Distributed Quantum Approximate Optimization Algorithm on Near-term Quantum Hardware [2.753858051267023]
本稿では,短期量子ハードウェア上での動作に適した雑音対応分散量子近似最適化アルゴリズム(QAOA)を提案する。
我々は、現在のノイズ中間量子(NISQ)デバイスの限界に対処し、量子ビット数の制限と高いエラー率によって妨げられている。
論文 参考訳（メタデータ） (2024-07-24T14:50:01Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud
Computing [73.7522199491117]
量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。
ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。
本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
論文 参考訳（メタデータ） (2023-07-25T00:38:46Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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) - Classical Optimizers for Noisy Intermediate-Scale Quantum Devices [1.43494686131174]
本稿では,NISQ(Noisy Intermediate-Scale Quantum)デバイス上でのチューニングについて述べる。
VQEのケーススタディにおいて、異なる最小値の効率と有効性について分析した。
これまでのほとんどの結果は量子VQE回路のチューニングに集中しているが、量子ノイズの存在下では、古典的な最小化ステップを慎重に選択して正しい結果を得る必要がある。
論文 参考訳（メタデータ） (2020-04-06T21:31:22Z)
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。