論文の概要: Ember: An Extensible Benchmark Suite for Quantum Annealing Embedding Algorithms

• arxiv url: http://arxiv.org/abs/2604.25433v1
• Date: Tue, 28 Apr 2026 09:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.80384
• Title: Ember: An Extensible Benchmark Suite for Quantum Annealing Embedding Algorithms
• Title（参考訳）: Ember: 量子アニーリングアルゴリズムのための拡張可能なベンチマークスイート
• Authors: Zachary Macaskill-Smith, Unmol Sharma, Melissa Warner, Kálmán Varga, David A. B. Hyde,
• Abstract要約: 少ないハードウェアトポロジに論理問題グラフをマッピングするには、小さな埋め込みが必要である。 従来の研究では、互換性のないグラフライブラリ、一貫性のないメトリクス、再現不可能な実験的なセットアップを使用しており、相互アルゴリズムの比較は信頼できない。 このギャップに対処するオープンソースのベンチマークフレームワークであるEmberを紹介します。
• 参考スコア（独自算出の注目度）: 0.4132158161225705
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Minor embedding is a required compilation step for quantum annealing, mapping logical problem graphs onto sparse hardware topologies. Despite its central role in determining solution quality, no standardized benchmark exists for comparing embedding algorithms: prior studies use incompatible graph libraries, inconsistent metrics, and non-reproducible experimental setups, making cross-algorithm comparisons unreliable. We present Ember (Embedding Minor Benchmark for Evaluative Reproducibility), an open-source benchmarking framework addressing this gap. Ember provides a standardized algorithm interface with seeded, reproducible execution infrastructure; a diverse graph library of 24,016 instances spanning structured, random, and physics-motivated problem types not previously used in embedding benchmarks; and a unified analysis pipeline supporting all three current D-Wave hardware topologies (Chimera, Pegasus, Zephyr). We evaluate five algorithms across the full library on Chimera and find that no algorithm dominates universally: rankings vary systematically with graph structure, and the best algorithm depends on the family being embedded. We also examine the effects of hardware topology (including Pegasus and Zephyr), qubit error rates, and evaluate a reinforcement-learning approach (CHARME) within a narrower test set. Ember is available at https://github.com/zachmacsmith/ember and is installable via pip install ember-qc.
• Abstract（参考訳）: 最小の埋め込みは、論理問題グラフをスパースなハードウェアトポロジーにマッピングする量子アニールに必要なコンパイルステップである。 ソリューションの品質を決定する上で中心的な役割があるにもかかわらず、埋め込みアルゴリズムを比較するための標準的なベンチマークは存在しない。 このギャップに対処するオープンソースのベンチマークフレームワークであるEmber(Embedding Minor Benchmark for Evaluative Reproducibility)を紹介します。 Emberは、シード化され再現可能な実行インフラを備えた標準化されたアルゴリズムインターフェース、構造化、ランダム、物理を動機とする問題タイプにまたがる24,016の多様なグラフライブラリ、そして現在の3つのD-Waveハードウェアトポロジ(Chimera、Pegasus、Zephyr)をサポートする統一分析パイプラインを提供する。 我々は,Chimeraの全ライブラリにまたがる5つのアルゴリズムを評価し,どのアルゴリズムも普遍的に支配的ではないことを発見した。 また,ハードウェアトポロジ(Pegasus,Zephyrを含む)の影響,量子ビット誤差率,およびより狭いテストセット内での強化学習アプローチ(CHARME)を評価する。 Emberはhttps://github.com/zachmacsmith/emberで入手できる。

関連論文リスト

• GMatch: A Lightweight, Geometry-Constrained Keypoint Matcher for Zero-Shot 6DoF Pose Estimation in Robotic Grasp Tasks [9.107487205419604]
  6DoFオブジェクトのポーズ推定はロボットグリップタスクの基本となる。 GMatchは軽量で、幾何学的に制約されたキーポイントマーカで、組み込みCPUのみのプラットフォーム上で効率的に動作する。
  論文  参考訳（メタデータ） (2025-05-22T02:39:52Z)
• GRADE: Grover-based Benchmarking Toolkit for Assessing Quantum Hardware [0.0]
  我々は,量子ハードウェアの信頼性を評価するためのオープンソースのベンチマークツールキットGRADEを紹介する。 GRADEはGroverのアルゴリズムを実装し、様々なプリミティブコレクションを検索する。 GRADEは幅広い量子コンピューティングプラットフォームに適応し、異なるハードウェアアーキテクチャにまたがる適用を可能にする。
  論文  参考訳（メタデータ） (2025-04-27T23:28:18Z)
• Stable Structure Learning with HC-Stable and Tabu-Stable Algorithms [6.691151987390148]
  いくつかの広く使われているスコアベースのアルゴリズムは、ハイブリッドおよび制約ベースのアルゴリズムと同様に、同じ問題に悩まされている。 安定なノード順序を決定することで不安定性を解消するスコアベースグリーディヒルクライミングの新しい解を提案する。 HC-Stable と Tabu-Stable という2つの実装を導入し,全ネットワークで最高BICスコアを達成し,分類ネットワークの最高精度を達成した。
  論文  参考訳（メタデータ） (2025-04-02T13:51:44Z)
• Fast Approximation of Similarity Graphs with Kernel Density Estimation [12.321755440062732]
  我々は,データポイントのセットである$X$から類似性グラフを構築するための新しいアルゴリズムをmathbbRd$に提示する。 提案アルゴリズムはカーネル密度推定問題に基づいており,任意のカーネル関数に適用可能である。
  論文  参考訳（メタデータ） (2023-10-21T00:32:47Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search [55.75621026447599]
  NAS-Bench-Graphは、GraphNASの統一的、再現可能、効率的な評価をサポートする調整されたベンチマークである。 具体的には,26,206のユニークなグラフニューラルネットワーク(GNN)アーキテクチャを網羅した,統一的で表現力のあるコンパクトな検索空間を構築する。 提案したベンチマークに基づいて,GNNアーキテクチャの性能を検索テーブルから直接取得できるが,それ以上の計算は行わない。
  論文  参考訳（メタデータ） (2022-06-18T10:17:15Z)
• Results of the NeurIPS'21 Challenge on Billion-Scale Approximate Nearest Neighbor Search [57.18075258042082]
  このコンペティションは、ANNSアルゴリズムをハードウェアコスト、精度、性能で数十億ドル規模で比較する。 このコンペティションのために新たに4つの、60億の多様なデータセットをまとめました。
  論文  参考訳（メタデータ） (2022-05-08T02:41:54Z)
• Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
  ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。 オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。 本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:10:48Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra [9.814439564341761]
  GraphMineSuite (GMS) はグラフマイニングアルゴリズムのベンチマークスイートである。 GMSには、広範なレビュー、代表的な問題、アルゴリズム、データセットを記述した文献に基づくベンチマーク仕様が付属している。
  論文  参考訳（メタデータ） (2021-03-05T13:26:18Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

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。