論文の概要: Plutarch: Toward Scalable Operational Parallelism on Racetrack-Shaped Trapped-Ion Processors
- arxiv url: http://arxiv.org/abs/2601.08930v1
- Date: Tue, 13 Jan 2026 19:09:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-15 18:59:20.148076
- Title: Plutarch: Toward Scalable Operational Parallelism on Racetrack-Shaped Trapped-Ion Processors
- Title（参考訳）: Plutarch: レーストラック形トラッピングIonプロセッサのスケーラブルな操作並列化を目指して
- Authors: Enhyeok Jang, Hyungseok Kim, Yongju Lee, Jaewon Kwon, Yipeng Huang, Won Woo Ro,
- Abstract要約: 最近の量子コンピューティングの進歩は、レーストラックプロセッサにおける証明されたランダム性の量子的優位性を示している。
本研究は,汎用プログラムにおけるアーキテクチャの実行効率について検討する。
- 参考スコア（独自算出の注目度）: 7.919823699651988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recent advancement in quantum computing shows a quantum advantage of certified randomness on the racetrack processor. This work investigates the execution efficiency of this architecture for general-purpose programs. We first explore the impact of increasing zones on runtime efficiency. Counterintuitively, our evaluations using variational programs reveal that expanding zones may degrade runtime performance under the existing scheduling policy. This degradation may be attributed to the increase in track length, which increases ion circulation overhead, offsetting the benefits of enhanced parallelism. To mitigate this, the proposed \textit{Plutarch} exploits 3 strategies: (i) unitary decomposition and translation to maximize zone utilization, (ii) prioritizing the execution of nearby gates over ion circulation, and (iii) implementing shortcuts to provide the alternative path.
- Abstract（参考訳）: 最近の量子コンピューティングの進歩は、レーストラックプロセッサにおける証明されたランダム性の量子的優位性を示している。
本研究は,汎用プログラムにおけるアーキテクチャの実行効率について検討する。
まず、ゾーンの増加が実行効率に与える影響について検討する。
変動プログラムを用いて評価した結果,拡張ゾーンは既存のスケジューリングポリシの下で実行時の性能を低下させる可能性が示唆された。
この劣化は、線路長の増加によりイオン循環のオーバーヘッドが増加し、拡張並列化の利点が相殺されるためと考えられる。
これを軽減するために提案された \textit{Plutarch} は3つの戦略を利用する。
一 地域利用の最大化のための一元分解及び翻訳
二 イオン循環による近隣門の執行の優先順位付け及び
三 代替の道を提供するための近道の実施
関連論文リスト
- Improving Stochastic Action-Constrained Reinforcement Learning via Truncated Distributions [11.34874640197711]
強化学習(RL)では、安全や行動関連性を確保するために、アクション空間にさらなる制約を加えることが有利であることが多い。
最近の研究は、政策手法に切り離された正規分布を用いることを提案する。
我々は, エントロピー, 対数確率, 勾配勾配などの重要な特性の正確な推定が, 行動制約付きRL設定において重要であることを論じる。
論文 参考訳（メタデータ） (2025-11-27T12:33:36Z) - Learning to Reason as Action Abstractions with Scalable Mid-Training RL [55.24192942739207]
効果的な中間訓練フェーズは、有用なアクションのコンパクトなセットを特定し、高速な選択を可能にする。
本稿では,スケーラブルなミッドトレーニングアルゴリズムであるReasoning as Action Abstractions (RA3)を提案する。
論文 参考訳（メタデータ） (2025-09-30T05:34:20Z) - Exploration of Design Alternatives for Reducing Idle Time in Shor's Algorithm: A Study on Monolithic and Distributed Quantum Systems [4.485653384761728]
Shorのアルゴリズムでは、量子ビット効率を保ちながら、アイドル時間を最小限に抑えるための交互設計手法を導入する。
また,複数チャネルが存在する場合のタスク再構成によって実行効率が向上することを示す。
本研究は,Shorのアルゴリズムに対して,コンパイルされた量子回路を最適化するための構造化された枠組みを提供する。
論文 参考訳（メタデータ） (2025-03-28T16:07:52Z) - An Efficient Quantum Approximate Optimization Algorithm with Fixed Linear Ramp Schedule for Truss Structure Optimization [0.0]
本研究では,量子変動回路に基づく新しい構造最適化手法を提案する。
設計変数を乗算器として定義することにより、ロッドの断面領域を調整する際の柔軟性が向上する。
その結果、目的関数は単純な形式であり、QAOAを用いた効率的な最適化を可能にする。
論文 参考訳（メタデータ） (2025-02-24T01:19:41Z) - APB: Accelerating Distributed Long-Context Inference by Passing Compressed Context Blocks across GPUs [81.5049387116454]
我々は、効率的な長文推論フレームワークであるAPBを紹介する。
APBはプリフィル速度を高めるためにマルチホスト近似アテンションを使用する。
APBはFlashAttn、RingAttn、StarAttnと比較して最大9.2x、4.2x、1.6xの速度を実現している。
論文 参考訳（メタデータ） (2025-02-17T17:59:56Z) - HEPPO-GAE: Hardware-Efficient Proximal Policy Optimization with Generalized Advantage Estimation [0.0]
HEPPO-GAEはFPGAベースのアクセラレーターで、近似ポリシー最適化における一般化アドバンテージ推定段階を最適化するために設計された。
鍵となる革新は、動的報酬標準化と値のブロック標準化を組み合わせた戦略的標準化技術であり、8ビット均一量子化が続く。
私たちのシングルチップソリューションは通信遅延とスループットのボトルネックを最小限にし、PPOトレーニングの効率を大幅に向上します。
論文 参考訳（メタデータ） (2025-01-22T08:18:56Z) - Hybrid discrete-continuous compilation of trapped-ion quantum circuits with deep reinforcement learning [1.7087507417780985]
我々は、トラップイオンコンピューティングにおいて、関連する量子回路のサイズを大幅に削減できることを示す。
私たちのフレームワークは、未知のユニタリプロセスの再生を目標とする実験的な設定にも適用できます。
論文 参考訳（メタデータ） (2023-07-12T14:55:28Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳（メタデータ） (2021-10-21T06:26:31Z) - Distributed stochastic optimization with large delays [59.95552973784946]
大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。
DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
論文 参考訳（メタデータ） (2021-07-06T21:59:49Z) - Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。
我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。
これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
論文 参考訳（メタデータ） (2020-02-10T04:23:09Z)
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。