論文の概要: Efficient Preparation of Graph States using the Quotient-Augmented Strong Split Tree
- arxiv url: http://arxiv.org/abs/2603.23892v1
- Date: Wed, 25 Mar 2026 03:30:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.112056
- Title: Efficient Preparation of Graph States using the Quotient-Augmented Strong Split Tree
- Title（参考訳）: 定性強化ストロングスプリットツリーを用いたグラフ状態の効率的作成
- Authors: Nicholas Connolly, Shin Nishio, Dan E. Browne, Willian John Munro, Kae Nemoto,
- Abstract要約: グラフ状態は測定ベースの量子計算と量子ネットワークの鍵となるリソースである。
任意のDHグラフ状態に対する分割ヒューズ構成を導入し、絡み合うゲート、時間ステップ、補助量子ビットに対する線形スケーリングを実現する。
また、三角形列挙法に基づく一般的なグラフに対して、一般化された分割分割分割融合戦略と単純な欲求についても論じる。
- 参考スコア（独自算出の注目度）: 1.5006258585503878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph states are a key resource for measurement-based quantum computation and quantum networking, but state-preparation costs limit their practical use. Graph states related by local complement (LC) operations are equivalent up to single-qubit Clifford gates; one may reduce entangling resources by preparing a favorable LC-equivalent representative. However, exhaustive optimization over the LC orbit is not scalable. We address this problem using the split decomposition and its quotient-augmented strong split tree (QASST). For several families of distance-hereditary (DH) graphs, we use the QASST to characterize LC orbits and identify representatives with reduced controlled-Z count or preparation circuit depth. We also introduce a split-fuse construction for arbitrary DH graph states, achieving linear scaling with respect to entangling gates, time steps, and auxiliary qubits. Beyond the DH setting, we discuss a generalized divide-and-conquer split-fuse strategy and a simple greedy heuristic for generic graphs based on triangle enumeration. Together, these methods outperform direct implementations on sufficiently large graphs, providing a scalable alternative to brute-force optimization.
- Abstract（参考訳）: グラフ状態は測定ベースの量子計算と量子ネットワークの鍵となる資源であるが、状態調整のコストは実用的利用を制限する。
局所補数(LC)演算に関連するグラフ状態は、単一キュービットのクリフォードゲートに相当する。
しかし、LC軌道の徹底的な最適化はスケーラブルではない。
分割分解とその商増分木(QASST)を用いてこの問題に対処する。
距離遺伝(DH)グラフのいくつかの家系では、QASSTを用いてLC軌道を特徴づけ、制御Z数や準備回路深度を減少させた代表を識別する。
また、任意のDHグラフ状態に対する分割ヒューズ構成を導入し、エンタングゲート、時間ステップ、補助量子ビットに対する線形スケーリングを実現する。
DH設定の他に、三角形列挙に基づく一般的なグラフに対して、一般化された分割/対分割フューズ戦略と単純なグリーディヒューリスティックについて論じる。
これらの手法は十分に大きなグラフの直接実装よりも優れており、ブルートフォース最適化に代わるスケーラブルな代替手段を提供する。
関連論文リスト
- Quantum Hamlets: Distributed Compilation of Large Algorithmic Graph States [1.7856410179559383]
我々のアルゴリズムであるBURYは、最先端のk分割アルゴリズムよりもベルペアを生成に必要とせず、グラフ状態を分割する。
本稿では,グラフ状態の生成と測定を同時に行う動的ケースに対して,我々の手法を直接適用する方法について議論する。
論文 参考訳（メタデータ） (2026-03-06T15:36:22Z) - Minimizing the number of edges in LC-equivalent graph states [0.0]
あるグラフ状態を別のグラフにマッピングする局所クリフォード演算は、エッジの数の変更を含む対応するグラフの構造を変更することができる。
ここでは、与えられたグラフのLC等価クラスにおいて、最小限のエッジ数を持つグラフを見つけるという、関連するエッジ最小化問題に取り組む。
論文 参考訳（メタデータ） (2025-05-30T22:49:45Z) - Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。
本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。
ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
論文 参考訳（メタデータ） (2024-12-20T04:05:09Z) - Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。
既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。
我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。
CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
論文 参考訳（メタデータ） (2024-05-22T14:57:09Z) - MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity
and Degree Descent Criterion [0.6906005491572401]
スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。
我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。
本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
論文 参考訳（メタデータ） (2023-12-07T06:19:39Z) - One-step Bipartite Graph Cut: A Normalized Formulation and Its
Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。
本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。
このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文 参考訳（メタデータ） (2023-05-12T11:27:20Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - Distributed Multi-Agent Reinforcement Learning Based on Graph-Induced Local Value Functions [7.6860514640178]
協調型マルチエージェント強化学習(MARL)のための計算効率の良い分散フレームワークを提案する。
MARLにおける3種類のエージェント間カップリングを記述した3つのカップリンググラフを導入する。
結合グラフから導出した局所値関数に基づく2つの分散RL手法を提案する。
論文 参考訳（メタデータ） (2022-02-26T03:01:51Z) - LCS Graph Kernel Based on Wasserstein Distance in Longest Common
Subsequence Metric Space [22.215852332444904]
パスとウォークのより包括的類似性を計算するグラフカーネルを提案する。
また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。
提案手法は多くの最先端グラフカーネル手法に勝る。
論文 参考訳（メタデータ） (2020-12-07T11:59:14Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。