Fugu-MT 論文翻訳(概要): A Polylogarithmic-Depth Quantum Multiplier

論文の概要: A Polylogarithmic-Depth Quantum Multiplier

arxiv url: http://arxiv.org/abs/2604.09847v1
Date: Fri, 10 Apr 2026 19:21:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:15.706553
Title: A Polylogarithmic-Depth Quantum Multiplier
Title（参考訳）: 多対数深さ量子乗算器
Authors: Fred Sun, Anton Borissov,
Abstract要約: 本稿では,2つの$n$-bit整数を回路深さと$T$-depthで乗算する量子アルゴリズムを提案する。我々の構成は、インジケータ制御されたコピーを通して部分生成物を生成し、バイナリ加算木を用いて追加する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a quantum algorithm for multiplying two $n$-bit integers with overall circuit depth and $T$-depth both bounded by $O(\log^{2} n)$, while using $O(n^{2})$ gates and ancillary qubits. Our construction generates partial products via indicator-controlled copying and adds them using a binary adder tree, enabling parallel accumulation with logarithmic depth overhead per level. To the best of our knowledge, our design has the lowest $T$-depth among all multiplication algorithms using the Clifford + $T$ model. By optimizing both circuit depth and $T$-depth, our construction advances the practical feasibility of large-scale fault-tolerant quantum algorithms.
Abstract（参考訳）: 我々は,2つの$n$-bit整数と全回路深さと$T$-depthを$O(\log^{2} n)$で有界に乗じる量子アルゴリズムを提案し,$O(n^{2})$ゲートと補助量子ビットを用いた。提案手法はインジケータ制御による複製により部分生成物を生成し,バイナリ加算木を用いて付加することにより,対数深度オーバーヘッドによる並列蓄積を実現する。我々の知る限り、我々の設計はClifford + $T$モデルを用いたすべての乗算アルゴリズムの中で最低のT$-depthである。回路深さとT$-depthの両方を最適化することにより、大規模なフォールトトレラント量子アルゴリズムの実現可能性を向上させる。

関連論文リスト

Improved quantum circuits for division [42.76841620787673]
様々な整数分割アルゴリズムのための新しいフォールトトレラント量子回路を開発した。回路は最大76.08%、68.35%のT数とCNOT数を実現している。
論文参考訳（メタデータ） (2026-03-18T13:41:43Z)
Asymptotically Optimal Quantum Circuits for Comparators and Incrementers [2.488003578430483]
本稿では,Clifford+Toffoliゲート集合上での最適ゲート数$(n)$と深さ$(log n)$を,比較および増分演算のための量子回路を提案する。これらの結果を古典量子コンパレータに拡張し、最適化された古典量子加算器を最適量子数で生成する。
論文参考訳（メタデータ） (2026-03-13T11:41:14Z)
Prefix Sums via Kronecker Products [47.600794349481966]
我々は、893log(n)+O(1)$ Toffoli depth, $O(n)$ Toffoli gates, $O(n)$ additional qubits で量子加算器を設計する方法を示す。応用として、これらの回路を用いて1.893log(n)+O(1)$ Toffoli depth, $O(n)$ Toffoli gates, $O(n)$ additional qubits の量子加算器を設計する方法を示す。
論文参考訳（メタデータ） (2025-12-18T08:49:18Z)
Efficient circuits for leaf-separable state preparation [0.0]
本稿では,葉分離可能な量子状態の効率向上のために,対数深さディック状態回路とハミング重みエンコーダを組み合わせた状態準備アルゴリズムを提案する。本研究では, 4 から 15 キュービットのランダムに生成したターゲット状態に対して, 数値シミュレーションによりアルゴリズムの性能を評価する。これらの結果は、ディック状態やニアディッケ状態のような構造化入力を必要とする量子アルゴリズムのスケーラブルな状態準備に寄与する。
論文参考訳（メタデータ） (2025-11-14T12:30:08Z)
Unitary designs in nearly optimal depth [40.28216388589026]
回路深さ$O(log k log log n k / varepsilon)$。深さは既知のすべての結果に対して指数関数的に改善され、すべてのパラメータは$n$, $k$, $varepsilon$である。また,多数のクエリをランダムなユニタリーに格納する量子実験において,エラーをバウンディングするための新しい分析フレームワークを開発した。
論文参考訳（メタデータ） (2025-07-08T17:48:33Z)
Depth-Efficient Quantum Circuit Synthesis for Deterministic Dicke State Preparation [5.755460769073285]
ディック状態は量子コンピューティングに広く応用された、絡み合った量子状態の重要なクラスを表す。一般に見られる2つの量子ビット接続制約の下でDicke状態生成のための決定論的量子回路を提案する。
論文参考訳（メタデータ） (2025-05-21T11:55:17Z)
Optimized circuits for windowed modular arithmetic with applications to quantum attacks against RSA [45.810803542748495]
ウィンドウ演算は、空間時間トレードオフを伴う量子回路のコストを削減する手法である。この作業では、ウィンドウ化されたモジュラー指数に4つの最適化を導入する。これにより、暗号化アプリケーションに関連するモジュール型指数回路において、Toffoli数とToffoli深度が3%向上する。
論文参考訳（メタデータ） (2025-02-24T16:59:16Z)
Quantum binary field multiplication with subquadratic Toffoli gate count and low space-time cost [3.129187821625805]
本稿では,$GF(2n)$を$mathcalO(nlog_(n))ビットで乗算する量子回路を構築するアルゴリズムを提案する。トリノミアル (trinomials) のようなプリミティブでは、掛け算は対数深さと $mathcalO(nlog_(n)) ビットで行うことができる。
論文参考訳（メタデータ） (2025-01-27T15:26:11Z)
Random unitaries in extremely low depth [0.8680580889074451]
1D線を含む任意の幾何学上のランダム量子回路は、$log n$ 深さで$n$ qubits以上の近似ユニタリな設計をすることができることを証明している。同様の方法で、1D回路では$textpoly(log n)$ depthで、全接続回路では$textpoly(log log n)$ depthで$textpoly(log log n)$ depthで擬似ランダムユニタリ(PRU)を構築する。
論文参考訳（メタデータ） (2024-07-10T15:27:48Z)
On the average-case complexity of learning output distributions of quantum circuits [33.76498647184212]
統計的クエリモデルでは,ブロックワークランダムな量子回路の出力分布の学習は平均ケースハードであることが示されている。この学習モデルは、ほとんどの一般的な学習アルゴリズムの抽象的な計算モデルとして広く利用されている。
論文参考訳（メタデータ） (2023-05-09T20:53:27Z)

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。