論文の概要: Variance-Reduced Trajectory Unravelings for GPU Noisy Quantum-Circuit Simulation: Characterization and a Qiskit-Aer Integration Gap

• arxiv url: http://arxiv.org/abs/2607.17678v1
• Date: Mon, 20 Jul 2026 08:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.549935
• Title: Variance-Reduced Trajectory Unravelings for GPU Noisy Quantum-Circuit Simulation: Characterization and a Qiskit-Aer Integration Gap
• Title（参考訳）: GPUノイズ量子回路シミュレーションのための可変形トラジェクトリアンラベリング:キャラクタリゼーションとQiskit-Aer積分ギャップ
• Abstract要約: 共分散が還元された非発散体 -- プロジェクターとアナログサンプリング -- は、ばらつきを著しく削減したことを示す。 Qiskit-Aerのttbatched_shots_gpuの$n=10$より少ないトラジェクトリで、20.8times$のターゲット標準エラーに達する。 Aer's Born-rule collapse machines は既に存在するので、我々はこの技術を生産中に解き放つ最小限の変更を規定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monte-Carlo trajectory (quantum-jump) methods are the practical route to simulating noisy quantum circuits once the exact density-matrix method is precluded by its $4^n$ memory cost. Their bottleneck is estimator variance: resolving one expectation value can demand thousands of trajectories. Recent tensor-network work shows that \emph{variance-reduced unravelings} -- projector and analog sampling -- sharply cut this variance, but only on CPU matrix-product-state backends, with no path into production tooling. We implement both unravelings on a \emph{GPU dense-statevector} trajectory engine and validate them against the exact density matrix (ideal-circuit fidelity $1-2.2\times10^{-16}$; $1/\sqrt{N}$ convergence; all unravelings unbiased to trace distance $<0.01$). On a single consumer GPU, projector unraveling reaches a target standard error with $20.8\times$ fewer trajectories than Qiskit-Aer's \texttt{batched\_shots\_gpu} at $n=10$, a factor that holds at $19$--$26\times$ across $n=8$--$20$. A regime map places analog sampling optimal at weak noise and projector at strong noise, crossing near $γt\approx0.35$. We further report a systems finding: Qiskit-Aer applies noise at the \emph{channel} level and reconstructs a canonical Kraus decomposition at apply time, discarding any user-supplied unraveling, so variance-reduced unravelings cannot be delivered through its public API. Because Aer's Born-rule collapse machinery already exists, we specify a minimal change that would unlock the technique in production.
• Abstract（参考訳）: モンテカルロ軌道法(英語版) (quantum-jump) は、密度行列法がメモリコスト$4^n$で阻止されたとき、ノイズの多い量子回路をシミュレートする実用的な方法である。 予測値の解決は数千の軌跡を必要とする可能性がある。 最近のテンソル-ネットワークの研究によると、 \emph{variance-reduced unravelings} -- プロジェクタとアナログサンプリング -- は、この分散を著しく削減したが、プロダクションツールへのパスがないCPUマトリックス-製品-状態バックエンドのみに限られている。 両アンラベリングを \emph{GPU dense-statevector} トラジェクトリエンジン上で実装し、それらを正確な密度行列(Ideal-circuit fidelity $1-2.2\times10^{-16}$; $1/\sqrt{N}$ convergence; すべてのアンラベリングはトレース距離$<0.01$)に対して検証する。 Qiskit-Aerの \texttt{batched\_shots\_gpu} は$n=10$で、$19$-$26\times$は$n=8$-$20$である。 規則写像は、弱い雑音に最適なアナログサンプリングと強い雑音にプロジェクターを配置し、$γt\approx0.35$の近くで交差する。 Qiskit-Aer は \emph{ channel} レベルでノイズを発生させ、標準クラス分解を適用時に再構成し、ユーザの供給するアンラベリングを破棄するので、分散低減されたアンラベリングは公開APIを通じて配信できない。 Aer's Born-rule collapse machines は既に存在するので、我々はこの技術を生産中に解き放つ最小限の変更を規定する。

関連論文リスト

• When Words Predict Workload [0.0]
  ハードウェアの崩壊を防止するため,CPU側言語資源予測(LRF)ゲートウェイを提案する。 ゲートウェイは16次元のテキスト構造ベクトルを抽出し、XGBoost予測器を適用してトラップバンドメンバシップを予測する。 予測器は実戦でのAUROCの0.84ドルを達成し、ダイナミックな$Tauroute(t)$コントローラは、等価な静的しきい値と比較して8.2%の相対的な不正行為の低減を実現した。
  論文  参考訳（メタデータ） (2026-07-06T11:27:29Z)
• DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits [4.11280059407553]
  DifGaはガウス的損失と弱い非ガウス的ノイズの下で動作している連続可変量子フォトニック回路のフレームワークである。 モンテカルロ平均化を用いたノイズアウェアトレーニングは、ガウス訓練による回復と比較して1桁以上の誤差を低減し、堅牢な一般化をもたらす。
  論文  参考訳（メタデータ） (2025-12-29T13:18:21Z)
• ButterflyQuant: Ultra-low-bit LLM Quantization through Learnable Orthogonal Butterfly Transforms [21.010238822100135]
  大きな言語モデルは巨大なメモリフットプリントを必要とし、コンシューマハードウェアへのデプロイを著しく制限する。 量子化は低い数値精度でメモリを減少させるが、極端な2ビット量子化は、アクティベーションの異常値による破滅的な性能損失に悩まされる。 本研究では,アダマール回転を学習可能なバタフライ変換に置き換えるバタフライ量子化法を提案する。
  論文  参考訳（メタデータ） (2025-09-11T17:59:51Z)
• Heavy-Tailed Linear Bandits: Huber Regression with One-Pass Update [62.96781471194877]
  ヘビーテール付きバンディットには、ヘビーテール付きノイズ、トランケーション、中央値の2つの基本戦略が導入されている。 本稿では,オンラインミラー降下フレームワークに基づくEmphone-passアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T09:41:45Z)
• Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
  確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。 我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。 我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
  論文  参考訳（メタデータ） (2024-11-20T02:46:15Z)
• Variance-Aware Sparse Linear Bandits [64.70681598741417]
  余分な線形包帯に対する最悪のミニマックスは$widetildeThetaleft(sqrtdTright)$である。 ノイズがなく、アクションセットが単位球面である良性設定では、ディビジョン・アンド・コンカーを使用して、$widetildemathcal O(1)$ regretを達成することができる。 我々は,任意の分散対応線形帯域幅アルゴリズムを分散対応線形帯域幅アルゴリズムに変換する汎用フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-05-26T15:55:44Z)
• More Optimal Simulation of Universal Quantum Computers [0.0]
  最悪のサンプリングコストは$le(2+sqrt2)xi_t delta-1$であり、$t rightarrow infty$である。 我々は、この68倍のプレファクタを、相関サンプリングにより$t$の先行値の低減により削減する。
  論文  参考訳（メタデータ） (2022-02-02T19:00:03Z)
• Random quantum circuits transform local noise into global white noise [118.18170052022323]
  低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。 十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。 ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
  論文  参考訳（メタデータ） (2021-11-29T19:26:28Z)
• Asynchronous Stochastic Optimization Robust to Arbitrary Delays [54.61797739710608]
  遅延勾配の最適化を考えると、ステップt$毎に、アルゴリズムは古い計算を使って更新する - d_t$ for arbitrary delay $d_t gradient。 本実験は,遅延分布が歪んだり重くなったりした場合のアルゴリズムの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2021-06-22T15:50:45Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)
• Differentially Quantized Gradient Methods [53.3186247068836]
  微分量子化グラディエントDescence (DQ-GD) が$maxsigma_mathrmGD, rhon 2-R$の線形収縮係数を得ることを示す。 あるクラス内のアルゴリズムは$maxsigma_mathrmGD, 2-R$よりも早く収束できない。
  論文  参考訳（メタデータ） (2020-02-06T20:40:53Z)

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。