論文の概要: QPU Micro-Kernels for Stencil Computation

• arxiv url: http://arxiv.org/abs/2511.12617v1
• Date: Sun, 16 Nov 2025 14:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.411439
• Title: QPU Micro-Kernels for Stencil Computation
• Title（参考訳）: テンシル計算のためのQPUマイクロカーネル
• Authors: Stefano Markidis, Luca Pennati, Marco Pasquale, Gilbert Netzer, Ivy Peng,
• Abstract要約: ステンシルノードの更新とモンテカルロ推定の返却を行う浅い量子回路。 計算ステンシル上で明示的に離散化された部分微分方程式(PDE)の解法を示す。
• 参考スコア（独自算出の注目度）: 0.050188155804360805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce QPU micro-kernels: shallow quantum circuits that perform a stencil node update and return a Monte Carlo estimate from repeated measurements. We show how to use them to solve Partial Differential Equations (PDEs) explicitly discretized on a computational stencil. From this point of view, the QPU serves as a sampling accelerator. Each micro-kernel consumes only stencil inputs (neighbor values and coefficients), runs a shallow parameterized circuit, and reports the sample mean of a readout rule. The resource footprint in qubits and depth is fixed and independent of the global grid. This makes micro-kernels easy to orchestrate from a classical host and to parallelize across grid points. We present two realizations. The Bernoulli micro-kernel targets convex-sum stencils by encoding values as single-qubit probabilities with shot allocation proportional to stencil weights. The branching micro-kernel prepares a selector over stencil branches and applies addressed rotations to a single readout qubit. In contrast to monolithic quantum PDE solvers that encode the full space-time problem in one deep circuit, our approach keeps the classical time loop and offloads only local updates. Batching and in-circuit fusion amortize submission and readout overheads. We test and validate the QPU micro-kernel method on two PDEs commonly arising in scientific computing: the Heat and viscous Burgers' equations. On noiseless quantum circuit simulators, accuracy improves as the number of samples increases. On the IBM Brisbane quantum computer, single-step diffusion tests show lower errors for the Bernoulli realization than for branching at equal shot budgets, with QPU micro-kernel execution dominating the wall time.
• Abstract（参考訳）: 我々は,ステンシルノード更新を行い,繰り返し測定からモンテカルロ推定値を返す浅い量子回路であるQPUマイクロカーネルを紹介する。 計算ステンシル上で明示的に離散化された部分微分方程式(PDE)の解法を示す。 この観点から、QPUはサンプリングアクセラレータとして機能する。 各マイクロカーネルはステンシル入力(隣接値と係数)のみを消費し、浅いパラメータ化回路を実行し、読み出しルールのサンプル平均を報告する。 量子ビットと深さのリソースフットプリントは固定され、グローバルグリッドとは独立している。 これにより、マイクロカーネルは古典的なホストから簡単にオーケストレーションでき、グリッドポイントをまたいで並列化できる。 私たちは2つの実現法を提示する。 ベルヌーイマイクロカーネルは、ステンシル重みに比例したショット割り当てを持つ単一キュービット確率として値を符号化することで凸サムステンシルをターゲットにしている。 分岐マイクロカーネルは、ステンシルブランチ上のセレクタを作成し、単一の読み出しキュービットにアドレスローテーションを適用する。 1つのディープ回路で全時空問題を符号化するモノリシック量子PDEソルバとは対照的に、我々の手法は古典的な時間ループを維持し、局所的な更新のみをオフロードする。 バッチと回路内融合は、提出と読み出しのオーバーヘッドを償却する。 我々は、科学計算で一般的に発生する2つのPDE(HeatとViscous Burgersの方程式)に対して、QPUマイクロカーネル法を検証し、検証する。 ノイズレス量子回路シミュレータでは、サンプルの数が増えるにつれて精度が向上する。 IBM Brisbane量子コンピュータ上では、単一ステップ拡散試験により、ベルヌーイ実現の誤差は均等なショット予算での分岐よりも低く、QPUマイクロカーネルの実行が壁時間を支配している。

関連論文リスト

• Distributed Implementation of Variational Quantum Eigensolver to Solve QUBO Problems [0.0]
  本稿では分散アルゴリズムと変分量子固有解法(VQE)の実装について述べる。 DVQEは、分散方式で複数の量子処理ユニット(QPU)にまたがるパラメータ化量子回路の実行を可能にする。
  論文  参考訳（メタデータ） (2025-08-24T17:55:07Z)
• Enhanced Quantum Circuit Cutting Framework for Sampling Overhead Reduction [25.01488143369413]
  ShotQCは、サンプリングオーバーヘッドを効果的に削減する拡張回路切断フレームワークである。 これは、古典的な後処理の複雑さを増大させることなく、サンプリングオーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-12-23T16:34:57Z)
• QuTracer: Mitigating Quantum Gate and Measurement Errors by Tracing Subsets of Qubits [8.54896613102673]
  量子誤差緩和は、現在のノイズの中規模量子(NISQ)時代に重要な役割を果たす。 キュービットのサブセットにおけるゲートと測定誤差を緩和するフレームワークQuTracerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T17:06:04Z)
• On sampling determinantal and Pfaffian point processes on a quantum computer [49.1574468325115]
  DPPは1970年代の量子光学のモデルとしてマッキによって導入された。 ほとんどのアプリケーションはDPPからのサンプリングを必要としており、その量子起源を考えると、古典的なコンピュータでDPPをサンプリングするのは古典的なものよりも簡単かどうか疑問に思うのが自然である。 バニラサンプリングは、各コスト$mathcalO(N3)$と$mathcalO(Nr2)$の2つのステップから構成される。
  論文  参考訳（メタデータ） (2023-05-25T08:43:11Z)
• Q-fid: Quantum Circuit Fidelity Improvement with LSTM Networks [0.6062751776009752]
  量子回路(QC)の忠実性は、ハードウェア特性、キャリブレーション状態、トランスパイルプロセスなど、いくつかの要因の影響を受けている。 Q-fidは、Long Short-Term Memory (LSTM)ベースの忠実度予測システムであり、量子回路の忠実度を定量化するために設計された新しいメートル法を伴っている。 Q-fidは平均RMSE 0.0515で高い予測精度を達成し、Qiskitトランスパイルツールのマポマティックよりも24.7倍正確である。
  論文  参考訳（メタデータ） (2023-03-30T16:44:12Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning [58.6792963686231]
  フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。 WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。 局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
  論文  参考訳（メタデータ） (2021-06-19T06:13:45Z)
• Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
  本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。 後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。 近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
  論文  参考訳（メタデータ） (2020-07-29T05:26:19Z)

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。