論文の概要: MOSAIQC: Mixed-topology-aware Optimization for Scalable Approximate noise-Informed Quantum circuit Cutting
- arxiv url: http://arxiv.org/abs/2607.18888v1
- Date: Tue, 21 Jul 2026 09:15:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.383793
- Title: MOSAIQC: Mixed-topology-aware Optimization for Scalable Approximate noise-Informed Quantum circuit Cutting
- Title（参考訳）: MOSAIQC:スケーラブルな近似ノイズインフォームド量子回路切断のための混合位相対応最適化
- Abstract要約: MosaiQCは、既存の回路切断フレームワークを改善するための新しいフレームワークとして提示されている。
MosaiQCは、実行速度とソリューション品質に対する優れたトレードオフを示しながら、ほとんどの競合から除外された基本的な機能を追加している。
- 参考スコア（独自算出の注目度）: 2.9452500999157434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current quantum computers do not yet have the required qubit resources to meet the demands of most practical quantum algorithms. To circumvent this constraint, the practice of dividing these algorithms into parts through quantum circuit cutting has been explored. Many of these works either show exponential scaling or are far from optimal solutions. In this paper, MosaiQC is presented as a novel framework to improve upon existing circuit cutting frameworks. A hybrid warmstart with refinement optimization is used to find cutting solutions, allowing the combination of both wire and gate cuts. Additionally, MosaiQC enables hardware partitions of mixed sizes. Furthermore, the refinement stage incorporates a fast approximate quadratic assignment solver to better place hardware partitions, demonstrating a mean local fidelity improvement of $19.56 \% \pm 6.17\%$ over the baseline algorithm. In runtime and sampling overhead costs, improvements of $2.88 \times$ and an average of $16.84\%$ cut reduction (resulting in an average $5.83 \cdot 10^{11} \times$ overhead reduction) are observed. MosaiQC demonstrates a superior trade-off for run speed and solution quality, while adding fundamental features excluded by most competitors. With this, MosaiQC demonstrates that scalable heuristic optimization can substantially reduce the computational overhead of circuit-cut placement for increasingly large quantum circuits.
- Abstract（参考訳）: 現在の量子コンピュータは、最も実用的な量子アルゴリズムの要求を満たすために必要な量子ビット資源を持っていない。
この制約を回避するため、これらのアルゴリズムを量子回路切断によって部品に分割する手法が研究されている。
これらの研究の多くは指数的スケーリングを示すか、最適解とは程遠いものである。
本稿では,既存の回路切断フレームワークを改善するための新しいフレームワークとしてMosaiQCを提案する。
改良最適化によるハイブリッド・ウォームスタートは切断解を見つけるために用いられ、ワイヤとゲートの切断の組み合わせが可能である。
さらに、MosaiQCは混合サイズのハードウェアパーティションを可能にする。
さらに、改良段階には、ハードウェアパーティションの配置を改善するために、高速な近似2次割当解決器が組み込まれており、ベースラインアルゴリズムよりも19.56 \% \pm 6.17\%の平均的な局所忠実度の改善が示されている。
ランタイムおよびサンプリングオーバーヘッドコストでは、平均2.88 \times$と平均16.84\%$削減(平均5.83 \cdot 10^{11} \times$オーバーヘッド削減)の改善が観察される。
MosaiQCは、実行速度とソリューション品質に対する優れたトレードオフを示しながら、ほとんどの競合から除外された基本的な機能を追加している。
これを用いて、MosaiQCは、拡張性のあるヒューリスティック最適化により、ますます大きな量子回路に対する回路切断配置の計算オーバーヘッドを大幅に削減できることを示した。
関連論文リスト
- A Scalable Distributed Quantum Optimization Framework via Factor Graph Paradigm [46.08923284345648]
分散量子最適化のための構造認識フレームワークを提案する。
検索スペースが$N$の場合、我々のフレームワークはプロセッサやセパレータに依存した要素に対して$O(sqrtN)$クエリ複雑性を達成する。
構造を考慮した分解は、量子ネットワーク上でのスケーラブルな分散量子最適化に実践的な道をもたらすことを示す。
論文 参考訳（メタデータ） (2026-03-08T15:15:52Z) - Layer-wise QUBO-Based Training of CNN Classifiers for Quantum Annealing [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)の頭部を学習するための,擬似Un Binary Optimization(QUBO)に基づく反復的フレームワークを提案する。
出力毎の分解は、$C$クラス問題を$C$独立QUBOに分割し、それぞれ$(d+1)K$バイナリ変数で、$d$が特徴次元、$K$がビット精度で分割する。
我々は,6つの画像分類ベンチマーク(スコーンディジット,MNIST,Fashion-MNIST,CIFAR-10,EMNIST,KMNIST)の評価を行った。
論文 参考訳（メタデータ） (2026-03-03T13:10:36Z) - CutReg: A loss regularizer for enhancing the scalability of QML via adaptive circuit cutting [2.5566599806228987]
この研究はQML最適化プロセスに新たな正規化項を導入し、サンプリングに伴うオーバーヘッドを直接ペナルティ化する。
具体的には、カットオーバーヘッドを最小限に抑えることと、QMLモデルの全体的な精度を維持することの間のトレードオフをナビゲートし、量子的優位性を求めるためにより大きな複雑な問題を研究する方法を模索する。
論文 参考訳（メタデータ） (2025-06-17T09:09:20Z) - Spatial and temporal circuit cutting with hypergraphic partitioning [0.0]
本稿では,空間的シナリオと時間的シナリオの両方に適したハイパーグラフに基づく回路切断手法を提案する。
量子回路を高レベルハイパーグラフとしてモデル化することにより、Stoer-Wagner、Fiduccia-Mattheyses、Kernighan-Linなどの分割を適用できる。
論文 参考訳（メタデータ） (2025-04-12T20:31:07Z) - Enhanced Quantum Circuit Cutting Framework for Sampling Overhead Reduction [25.01488143369413]
ShotQCは、サンプリングオーバーヘッドを効果的に削減する拡張回路切断フレームワークである。
これは、古典的な後処理の複雑さを増大させることなく、サンプリングオーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2024-12-23T16:34:57Z) - Route-Forcing: Scalable Quantum Circuit Mapping for Scalable Quantum Computing Architectures [41.39072840772559]
Route-Forcingは量子回路マッピングアルゴリズムで、平均スピードアップが3.7Times$であることを示している。
本稿では、最先端のスケーラブルな手法と比較して平均3.7倍の高速化を示す量子回路マッピングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T14:21:41Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum
machines [81.4597482536073]
量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。
量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。
提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
論文 参考訳（メタデータ） (2022-05-24T03:49:10Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳（メタデータ） (2022-01-06T21:02:30Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳（メタデータ） (2020-09-15T18:17:27Z) - Quantum Circuit Transformation: A Monte Carlo Tree Search Framework [6.72166630054365]
Noisy Intermediate-Scale Quantum(NISQ)時代には、量子処理ユニット(QPU)は物理量子ビット間の非常に限られた接続に悩まされている。
量子回路を効果的に実行可能にするためには、それを変換するために回路変換プロセスが必要である。
回路変換問題に対処するためのモンテカルロ木探索(MCTS)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-21T06:54:55Z)
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。