論文の概要: Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States
- arxiv url: http://arxiv.org/abs/2607.10280v1
- Date: Sat, 11 Jul 2026 12:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.372201
- Title: Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States
- Title（参考訳）: マトリックス生成物状態による適応型非局所可観測量子超解法
- Abstract要約: 画像超解像(SR)における適応非局所可観測変動量子回路(ANO-VQC)の行列積状態(MPS)シミュレーションフレームワーク
MPSは16 x 16 ピクセル (256 qubits) までの個々の入力に対して ANO-VQC 前方特徴抽出を完了する
その結果、MPSはANO-VQC画像SRのスケーラブルで制御可能なシミュレーションバックエンドであり、大規模量子アルゴリズムの研究のための実用的なツールとして注目されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work presents a matrix product state (MPS) simulation framework for adaptive non-local observable variational quantum circuits (ANO-VQCs) in image super-resolution (SR) beyond the practical limits of statevector simulation. Runtime benchmarks on a single NVIDIA RTX 4070 GPU show that, under the tested shallow-circuit setting, MPS completes ANO-VQC forward feature extraction for individual inputs up to 16 x 16 pixels (256 qubits), whereas statevector simulation encounters a memory bottleneck at 6 x 6 inputs (36 qubits) and exact tensor-network (Exact TN) contraction becomes computationally impractical beyond 12 x 12 inputs (144 qubits). For a fixed 7 x 7 input (49 qubits), a bond-dimension sweep over depths L = 1 to L = 4 shows that the required MPS bond dimension increases with circuit depth. Using Exact TN contraction as the reference, the bond dimension required for near-exact agreement increases from chi = 2 at L = 1 to chi = 16 at L = 4. Finally, 7 x 7 to 28 x 28 Fashion-MNIST SR training with chi = 16 shows that the shallow L = 1 model achieves the lowest loss and best LPIPS, PSNR, and SSIM among the tested depths. These results highlight MPS as a scalable and controllable simulation backend for ANO-VQC image SR and as a practical tool for studying large-scale quantum algorithms.
- Abstract（参考訳）: 本研究では,画像超解像(SR)における適応非局所可観測変動量子回路(ANO-VQCs)の行列積状態(MPS)シミュレーションフレームワークを提案する。
1つのNVIDIA RTX 4070 GPUのランタイムベンチマークでは、試験された浅い回路設定の下で、MPSは16 x 16ピクセル (256 qubits) までの個々の入力に対するANO-VQC前方特徴抽出を完了し、ステートベクターシミュレーションは6 x 6入力 (36 qubits) のメモリボトルネックに遭遇し、正確なテンソルネットワーク(Exact TN)の収縮は12 x 12入力 (144 qubits) を超えて計算的に非現実的であることを示している。
固定 7 x 7 入力 (49 qubits) の場合、深さ L = 1 から L = 4 までの結合次元は、回路深度とともに必要となる MPS 結合次元が増加することを示す。
基準として排他的TN収縮を用いると、ほぼ一致する一致に必要な結合次元は、L = 1 で chi = 2 から L = 4 で chi = 16 へと増加する。
最後に、chi = 16を用いた7 x 7から28 x 28 Fashion-MNIST SRトレーニングでは、浅いL = 1モデルが最も損失が低く、試験深度ではLPIPS、PSNR、SSIMが最適であることが示されている。
これらの結果から,MPSはANO-VQC画像SRのスケーラブルで制御可能なシミュレーションバックエンドであり,大規模量子アルゴリズムの研究のための実用的なツールであることがわかった。
関連論文リスト
- Optimized Matrix-Product State Simulations of Quantum Error Correction Circuits [7.51462286887016]
マトリックス製品状態(MPS)技術は、ゲートタイプに制限を加えることなく、多くのQEC回路を正確に処理することができる。
そこで本研究では,結合寸法とシミュレーション時間を数桁の規模で削減する一連の最適化手法を提案する。
論文 参考訳（メタデータ） (2026-09-02T18:42:47Z) - Adaptive Tensor Network Simulation via Entropy-Feedback PID Control and GPU-Accelerated SVD [0.0]
ボンドディメンションチは、精度と計算コストのトレードオフを制御する。
固定結合次元戦略は、低絡み領域の廃棄物資源を廃棄するか、高絡み領域の忠実さを失うかのいずれかである。
この研究は、フォン・ノイマンのフィードバックとPID(Proportional-Integral-Derivative)コントローラを利用するボンド次元管理フレームワークを導入する。
論文 参考訳（メタデータ） (2026-04-05T04:30:46Z) - GPU-Accelerated Quantum Simulation: Empirical Backend Selection, Gate Fusion, and Adaptive Precision [0.0]
本稿では,GPU加速量子回路シミュレーションフレームワークを提案する。
実証的なバックエンド選択アルゴリズムは、実行時にCuPy、PyTorchCUDA、NumPyのCPUバックエンドをベンチマークする。
ゲート融合エンジンはゲートシーケンスの自動識別により回路深さを低減する。
フォールバック機構はGPUメモリの消費を監視し、リソースの枯渇時にメモリ実行を優雅に低下させる。
論文 参考訳（メタデータ） (2026-04-04T17:46:37Z) - Scaling DoRA: High-Rank Adaptation via Factored Norms and Fused Kernels [83.99688944263843]
DoRA(Weight-De Low-Rank Adaptation)は、LoRAを方向から分離することで拡張する。
d_in = 8192 とランク r = 384 では、単一のモジュールのノルムは bf16 で512MB の過渡的なワーキングメモリを必要とする。
因子ノルムは、二乗ノルムを O(d_out r + r2) 中間体を通して計算可能な基底、交差、およびグラマー項に分解し、密積を除去する。
論文 参考訳（メタデータ） (2026-03-23T17:57:24Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Qubit frugal entanglement determination with the deep multi-scale entanglement renormalization ansatz [0.7140163200313723]
量子ハードウェア上でのDMERA(Deep Multi-scale entanglement Renormalization ansatz)について検討する。
この因果錐は量子デバイス上の$O(M+logN)$物理量子ビットにまたがる。
16-qubit DMERAをランダムに初期化し、その結果のRDMを$M$-qubitサブシステムで対角化する。
論文 参考訳（メタデータ） (2024-04-12T15:43:18Z) - Accelerating RNN-based Speech Enhancement on a Multi-Core MCU with Mixed
FP16-INT8 Post-Training Quantization [0.0]
リカレントニューラルネットワーク(RNN)に基づく音声強調(SE)アルゴリズムは、最先端マイクロコントローラユニット(MCU)上に展開される
LSTMまたはGRU再帰ブロックの並列計算を手動で管理したメモリ転送を伴う最適化されたソフトウェアパイプラインを提案する。
実験は、Valentiniデータセットでトレーニングされた複数のLSTMとGRUベースのSEモデルで行われ、最大1.24Mパラメータが特徴である。
論文 参考訳（メタデータ） (2022-10-14T10:32:05Z) - Holographic quantum simulation of entanglement renormalization circuits [14.385064176392595]
現在の雑音量子コンピュータは数十量子ビットに制限されている。
ホログラフィック量子シミュレーションの技法により、$D$次元システムは、量子ビットの$Drm -1$次元部分集合でシミュレートできる。
論文 参考訳（メタデータ） (2022-03-02T05:58:19Z) - AnalogNets: ML-HW Co-Design of Noise-robust TinyML Models and Always-On
Analog Compute-in-Memory Accelerator [50.31646817567764]
本稿では,キーワードスポッティング (KWS) と視覚覚醒語 (VWW) を常用するTinyMLモデルについて述べる。
アナログ非イデオロギーに面した精度を維持するため、包括的学習手法を詳述する。
また、プログラム可能な最小領域位相変化メモリ(PCM)アナログCiMアクセラレータであるAON-CiMについて述べる。
論文 参考訳（メタデータ） (2021-11-10T10:24:46Z) - Parallel Simulation of Quantum Networks with Distributed Quantum State
Management [56.24769206561207]
我々は、量子ネットワークの並列シミュレーションの要件を特定し、最初の並列離散事象量子ネットワークシミュレータを開発する。
コントリビューションには、複数のプロセスに分散した共有量子情報を維持する量子状態マネージャの設計と開発が含まれています。
既存のシーケンシャルバージョンと並行してオープンソースツールとして,並列SeQUeNCeシミュレータをリリースする。
論文 参考訳（メタデータ） (2021-11-06T16:51:17Z) - HAWQV3: Dyadic Neural Network Quantization [73.11579145354801]
現在の低精度量子化アルゴリズムは、浮動小数点から量子化された整数値への変換の隠れコストを持つことが多い。
HAWQV3は、新しい混合精度整数のみの量子化フレームワークである。
論文 参考訳（メタデータ） (2020-11-20T23:51:43Z) - Leveraging Automated Mixed-Low-Precision Quantization for tiny edge
microcontrollers [76.30674794049293]
本稿では、HAQフレームワークに基づく自動混合精度量子化フローを提案するが、MCUデバイスのメモリおよび計算特性に特化している。
具体的には、強化学習エージェントは、個々の重みとアクティベーションテンソルの2, 4, 8ビットのうち、最高の均一量子化レベルを探索する。
重量のみの量子化のために2MBに制限されたMCUクラスのメモリが与えられた場合、混合精度エンジンによって生成された圧縮されたモデルは、最先端のソリューションと同じくらい正確である。
論文 参考訳（メタデータ） (2020-08-12T06:09:58Z)
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。