論文の概要: Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling
- arxiv url: http://arxiv.org/abs/2604.08467v1
- Date: Thu, 09 Apr 2026 17:02:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:06.037821
- Title: Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling
- Title（参考訳）: 統一経路変動と非退化バッチサンプリングによる量子テンソルネットワークの高速化
- Authors: Taylor Lee Patti, Paavai Pari, Yang Gao, Azzam Haidar, Thien Nguyen, Tom Lubowe, Daniel Lowell, Brucek Khailany,
- Abstract要約: バッチ実行による事前トラジェクトリサンプリング(PTSBE)は,これらの手法のデータ収集率を劇的に向上させた。
PTSBEはデータ収集のスピードアップを106倍に向上させたが、テンソルネットワークの実装は15倍のスピードアップしか達成しなかった。
本研究では, 1) 誤差非依存の統一経路変動, 2) 非退化テンソルネットワークサンプリング, 3) フレキシブル/最適化収縮フレームワークを開発する。
- 参考スコア（独自算出の注目度）: 8.539489108260872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum trajectory methods reduce the computational overhead of simulating noisy quantum systems, approximating them with $m$ stochastically sampled $2^n$-entry quantum statevectors rather than exact $2^{2n}$-entry density matrices. Recently, Pre-Trajectory Sampling with Batched Execution (PTSBE) has dramatically increased the data collection rate of these methods. While statevector PTSBE has demonstrated data collection speedups of over $10^6 \times$, tensor network implementations only achieved $\sim 15 \times$ speedup. This comparatively modest tensor network advantage stemmed from 1) contraction path recalculations, 2) sequential tensor network sampling, and 3) inflexible/unoptimized contraction hyperparameters. In this manuscript, we increase PTSBE's tensor network data collection rate to more than $10^8\times$ that of traditional trajectories methods by developing 1) error-independent unified path variation, 2) non-degenerate tensor network sampling, and 3) a flexible/optimized contraction framework. While our methods are particularly powerful for accelerating non-proportional sampling, we also demonstrate a more than $1000\times$ speedup for more general quantum simulations.
- Abstract（参考訳）: 量子軌道法は、ノイズの多い量子系のシミュレーションの計算オーバーヘッドを減らし、正確に2.2nの量子状態ベクトルではなく、2.2nの量子状態ベクトルを確率的に2.2nの量子状態ベクトルで近似する。
近年,PTSBE (Pre-Trajectory Smpling with Batched Execution) はこれらの手法のデータ収集率を劇的に向上させている。
Statevector PTSBEは10^6 \times$以上のデータ収集速度を実証しているが、テンソルネットワークの実装は$\sim 15 \times$ speedupしか達成していない。
この比較的控えめなテンソルネットワークの利点は、それに由来する
1)収縮経路再計算
2)シーケンシャルテンソルネットワークサンプリング,及び
3) 屈曲性・非最適化型収縮過度計。
本書では,PTSBEのテンソルネットワークデータ収集率を従来のトラジェクトリ手法の10^8\times$以上に引き上げる。
1) エラー非依存の統一経路変動
2)非退化テンソルネットワークサンプリング,及び
3)フレキシブル/最適化された収縮フレームワーク。
我々の手法は特に非局所サンプリングの高速化には強力だが、より一般的な量子シミュレーションでは1000ドル以上のスピードアップも示している。
関連論文リスト
- Quantum-Inspired Algorithms beyond Unitary Circuits: the Laplace Transform [0.0]
量子インスパイアされたアルゴリズムは、古典的な最先端の手法よりも大幅にスピードアップできる。
離散ラプラス変換(非単項非周期変換)を計算するためのテンソル-ネットワークアプローチを導入する。
我々は最大$N=230$の入力データポイントと最大260$の出力データポイントのシミュレーションを実証し、ボンド次元が実行時と精度をどのように制御するかを定量化する。
論文 参考訳（メタデータ） (2026-01-25T07:19:56Z) - FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。
我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。
我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
論文 参考訳（メタデータ） (2025-10-13T07:57:21Z) - PINGS: Physics-Informed Neural Network for Fast Generative Sampling [0.0]
PINGSは,物理インフォームドネットワークをトレーニングし,逆時間確率フローのダイナミクスを近似することで拡散サンプリングを補正するフレームワークである。
概念実証として、3次元標準正規から非ガウスガウス混合モデル(GMM)への直接写像を学習する。
PINGSは、終点アンカーを持つPINNスタイルの残差問題として生成的サンプリングを行い、NFE = 1 のホワイトボックスで微分可能な写像を得る。
論文 参考訳（メタデータ） (2025-09-14T14:22:33Z) - Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。
1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。
その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
論文 参考訳（メタデータ） (2025-07-01T18:46:27Z) - Augmenting Simulated Noisy Quantum Data Collection by Orders of Magnitude Using Pre-Trajectory Sampling with Batched Execution [47.60253809426628]
提案手法は,誤差型を調整して軌道シミュレーションの効率化と有効性を高めることを目的としている。
私たちはそれぞれ100兆枚と100万枚という膨大なデータセットを生成します。
論文 参考訳（メタデータ） (2025-04-22T22:36:18Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Validating quantum-supremacy experiments with exact and fast tensor
network contraction [21.99404639937004]
実験により生成されたビットストリングに対して300万の正確な振幅を計算することで直接検証を行う。
シミュレーション能力の飛躍は、マルチ振幅テンソルネットワーク収縮アルゴリズムに基づいて構築される。
提案手法は, 量子多体問題, 統計問題, 最適化問題の解決に大きく影響している。
論文 参考訳（メタデータ） (2022-12-09T10:01:02Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
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。