論文の概要: Quantum Processing Unit (QPU) processing time Prediction with Machine Learning

• arxiv url: http://arxiv.org/abs/2510.20630v1
• Date: Thu, 23 Oct 2025 15:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.224729
• Title: Quantum Processing Unit (QPU) processing time Prediction with Machine Learning
• Title（参考訳）: 機械学習を用いた量子処理ユニット(QPU)処理時間予測
• Authors: Lucy Xing, Sanjay Vishwakarma, David Kremer, Francisco Martin-Fernandez, Ismael Faro, Juan Cruz-Benito,
• Abstract要約: 本稿では、量子ジョブのQPU処理時間予測における機械学習(ML)手法の適用について検討する。 モデル精度を向上させるためにデータ前処理手法を取り入れ,QPU処理時間を予測するためにグラディエント・ブースティング(LightGBM)に基づくML手法を用いる。
• 参考スコア（独自算出の注目度）: 0.879504058268139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the application of machine learning (ML) techniques in predicting the QPU processing time of quantum jobs. By leveraging ML algorithms, this study introduces predictive models that are designed to enhance operational efficiency in quantum computing systems. Using a dataset of about 150,000 jobs that follow the IBM Quantum schema, we employ ML methods based on Gradient-Boosting (LightGBM) to predict the QPU processing times, incorporating data preprocessing methods to improve model accuracy. The results demonstrate the effectiveness of ML in forecasting quantum jobs. This improvement can have implications on improving resource management and scheduling within quantum computing frameworks. This research not only highlights the potential of ML in refining quantum job predictions but also sets a foundation for integrating AI-driven tools in advanced quantum computing operations.
• Abstract（参考訳）: 本稿では、量子ジョブのQPU処理時間予測における機械学習(ML)手法の適用について検討する。 MLアルゴリズムを活用することにより,量子コンピューティングシステムにおける運用効率の向上を目的とした予測モデルを導入する。 IBM Quantumスキーマに従う約15万のジョブのデータセットを使用して、グラディエント・ブースティング(LightGBM)に基づくMLメソッドを使用して、QPU処理時間を予測し、データ前処理手法を導入し、モデルの精度を向上させる。 その結果、量子ジョブの予測におけるMLの有効性が示された。 この改善は、量子コンピューティングフレームワークにおけるリソース管理とスケジューリングの改善に影響を及ぼす可能性がある。 この研究は、量子ジョブ予測の精細化におけるMLの可能性を強調するだけでなく、高度な量子コンピューティング操作にAI駆動ツールを統合する基盤も確立している。

関連論文リスト

• Introduction to Quantum Machine Learning and Quantum Architecture Search [3.7665134712766304]
  量子機械学習(QML)は、新たな学際分野である。 このチュートリアルは、両方の領域における最近のブレークスルーの詳細な概要を提供する。
  論文  参考訳（メタデータ） (2025-04-21T15:13:33Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Quantum Computing Enhanced Service Ecosystem for Simulation in Manufacturing [56.61654656648898]
  本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。 我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
  論文  参考訳（メタデータ） (2024-01-19T11:04:14Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Error mitigation in variational quantum eigensolvers using tailored probabilistic machine learning [5.630204194930539]
  本稿では,量子計算におけるノイズを軽減するために,ガウス過程回帰(GPR)をアクティブラーニングフレームワーク内に導入する新しい手法を提案する。 我々は,IBMのオープンソース量子コンピューティングフレームワークであるQiskitを用いて,2サイトアンダーソン不純物モデルと8サイトハイゼンベルクモデルに対する提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-11-16T22:29:43Z)

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。