論文の概要: VQCSim: When Does Compile-Once Statevector Simulation Beat Generic Quantum Frameworks?

• arxiv url: http://arxiv.org/abs/2607.11985v2
• Date: Wed, 15 Jul 2026 10:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 12:21:59.473106
• Title: VQCSim: When Does Compile-Once Statevector Simulation Beat Generic Quantum Frameworks?
• Title（参考訳）: VQCSim: コンパイルオースステートベクターシミュレーションはいつジェネリック量子フレームワークを上回るのか?
• Authors: Anton Firc, Martin Perešíni, Vojtěch Mrázek, Kamil Malinka, Vojtěch Staněk, Zbyněk Lička, Nouhaila Innan, Walid El Maouaki, Alberto Marchisio, Muhammad Shafique,
• Abstract要約: VQCSimはコンパイルオンス、PyTorchネイティブなステートベクタ実行パスで、ネイティブオートグレードがある。 体系的なMQT Bench研究において、VQCSimは全てのテスト済み静的回路をコンパイルし、87.7%のエンドツーエンドセマンティックバリデーションを提供する。 ハードウェア対応のレジームマップと,91.1%-97.7%のトップ-1合意のオープンソースバックエンドセレクタであるvqcsim-oracleをリリースする。
• 参考スコア（独自算出の注目度）: 1.883845743971647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid quantum-classical machine learning workflows repeatedly evaluate many small parametrized circuits during training and model exploration. In this regime, framework dispatch and orchestration overhead often dominate runtime. Prior simulators accelerate execution but leave open the question of when compile-once specialization is the right choice for static variational circuits. We answer this question with VQCSim, a compile-once, PyTorch-native statevector execution path with native autograd. In a systematic MQT Bench study, VQCSim compiles all tested static circuits and provides 87.7% end-to-end semantic validation. Across a five-GPU evaluation set, VQCSim delivers pooled median speedups of 4.49x for native inference and 26.78x for native training, while retaining a 3.31x advantage under matched finite-difference training. Ablation identifies native autograd as the dominant source of acceleration (27.6x), with compile-once caching and batch vectorization contributing additional gains. The speedup trades higher GPU memory (VQCSim is memory-limited at the high end) for lower runtime. We derive a hardware-aware regime map and release vqcsim-oracle, an open-source backend selector with 91.1%-97.7% top-1 agreement (including cross-GPU transfers), enabling automatic simulator selection in QML design loops.
• Abstract（参考訳）: ハイブリッド量子古典機械学習ワークフローは、トレーニングとモデル探索の間、多くの小さなパラメトリゼーション回路を繰り返し評価する。 この体制では、フレームワークのディスパッチとオーケストレーションのオーバーヘッドがしばしばランタイムを支配します。 以前のシミュレータは実行を加速するが、いつコンパイルオンスの特殊化が静的変動回路の正しい選択になるのかという疑問を解き放つ。 我々は、コンパイルオンス、PyTorchネイティブなステートベクタ実行パスであるVQCSimを使って、この問題に答える。 体系的なMQT Bench研究において、VQCSimは全てのテスト済み静的回路をコンパイルし、87.7%のエンドツーエンドセマンティックバリデーションを提供する。 5GPU評価セット全体では、VQCSimはネイティブ推論では4.49倍、ネイティブトレーニングでは26.78倍、マッチした有限差分トレーニングでは3.31倍の優位性を維持している。 Ablationは、ネイティブオートグレードを、コンパイルオンスキャッシングとバッチベクター化によってさらなるゲインをもたらす、アクセラレーションの主流のソース(27.6x)とみなしている。 このスピードアップは、低いランタイムに対して高いGPUメモリ(VQCSimはハイエンドでメモリ制限される)を交換する。 本稿では,QML設計ループにおける自動シミュレータ選択を可能にする,91.1%～97.7%のトップ-1アグリーメントを持つオープンソースバックエンドセレクタvqcsim-oracleをリリースする。

関連論文リスト

• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• AutoVecCoder: Teaching LLMs to Generate Explicitly Vectorized Code [69.84692701646769]
  AutoVecCoderは、大規模言語モデルに自動明示的ベクトル化機能を持たせるために設計された新しいフレームワークである。 自動データ合成パイプラインであるVecPromptは、ドメイン固有の固有の知識を注入する。 強化学習フレームワークであるVecRLは、コード生成と実行効率を一致させる。 このフレームワークでトレーニングされたAutoVecCoder-8Bは、SimdBenchのSSEおよびAVXサブセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-18T07:33:15Z)
• 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)
• The Quest for Quantum Advantage in Combinatorial Optimization: End-to-end Benchmarking of Quantum Solvers vs. Multi-core Classical Solvers [34.734652426291525]
  我々は、IBM Heron r3量子プロセッサ上で、高階非制約バイナリ最適化(HUBO)のためのハイブリッド逐次量子コンピューティングソルバのエンドツーエンドベンチマークを実行する。 20のベンチマークインスタンスで、1つのハイブリッド試行は1秒未満で高品質なソリューションを生成し、14のケースで基底状態のエネルギーと一致する。
  論文  参考訳（メタデータ） (2026-03-13T21:29:20Z)
• Quantize-then-Rectify: Efficient VQ-VAE Training [71.92014859992263]
  この研究は、VAEの許容しきい値内の量子化ノイズによって、事前訓練されたVAEをVQ-VAEに効率的に変換できることを実証する。 我々は、事前学習されたVAEを利用して、最小計算オーバーヘッドで高速なVQ-VAEトレーニングを可能にするフレームワークである textbfQuantize-then-Rectify (ReVQ) を提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:59:41Z)
• Towards Supporting QIR: Steps for Adopting the Quantum Intermediate Representation [5.74796205166378]
  既存の量子回路シミュレータをQIRランタイムに変換する方法を示す。 QIRへの切り替えは、元のシミュレータと比べてパフォーマンス上の欠点を伴わない。 本稿では,QIRを用いた今後の方向性を概観する。
  論文  参考訳（メタデータ） (2024-11-27T19:00:01Z)
• Hybrid quantum programming with PennyLane Lightning on HPC platforms [0.0]
  PennyLaneのLightningスイートは、CPU、GPU、HPCネイティブアーキテクチャとワークロードをターゲットにした高性能なステートベクタシミュレータのコレクションである。 QAOA、VQE、合成ワークロードなどの量子アプリケーションは、サポート対象の古典的コンピューティングアーキテクチャを実証するために実装されている。
  論文  参考訳（メタデータ） (2024-03-04T22:01:03Z)
• QCLAB++: Simulating Quantum Circuits on GPUs [0.0]
  我々は、GPU加速量子回路シミュレーションのための軽量で完全に測定されたC++パッケージであるqclab++を紹介する。 qclab++は高度に最適化されたゲートシミュレーションアルゴリズムによって性能と数値安定性を設計する。 また、qclab++を模倣した構文を持つMatlab用の量子回路ツールボックスであるqclabを紹介する。
  論文  参考訳（メタデータ） (2023-02-28T22:56:48Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)

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。