論文の概要: Realified tensor networks: quantum circuit simulation on real-valued matrix accelerators

• arxiv url: http://arxiv.org/abs/2608.03987v2
• Date: Wed, 05 Aug 2026 11:13:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.334974
• Title: Realified tensor networks: quantum circuit simulation on real-valued matrix accelerators
• Title（参考訳）: 実数値行列加速器の量子回路シミュレーション
• Authors: Yusheng Zhao, Xiwei Pan, Enji Xiong, Chengkai Zhu, Jinguo Liu,
• Abstract要約: 現代の行列加速器は、実際のGEMMパイプラインのみを公開する。 我々は、任意の複素テンソルネットワークを実数にマッピングする現実化書き換えにより、ミスマッチを解消する。 Ascend 910 NPUでは、リライトは4つのリアルGEMMベースラインと12のランダム回路で低いGEMMガウスの両方を上回った。
• 参考スコア（独自算出の注目度）: 9.464434740495294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensor-network contraction simulates quantum circuits, but modern matrix accelerators (NPUs, TPUs) expose only real GEMM pipelines, so the complex networks of quantum simulation must be reconstructed in software. We resolve the mismatch by a realification rewrite that maps any complex tensor network to a real one. At each merge of two complex tensors, a rank-3 structure tensor realizes Gauss's three-multiplication (3M) formula; contractions with one or no complex operand need only two or one real products. We prove a tight cost law: overhead $1 + 2m + r$ in real multiplications, where $m$ and $r$ are the volume fractions of two- and one-complex-operand contractions, never exceeding $3\times$ relative to real contraction, with every intermediate at most doubled in size. On 67 circuits (random, Clifford+$T$, QAOA, VQE), the law holds across the real-to-complex range and complex-gate placement, not count, governs cost. Contraction orders transfer from the complex network with a relative arithmetic-cost gap below $5\times 10^{-4}$ on 66 of 67 circuits; the exception closes under a few steps of low-temperature simulated annealing. On an Ascend 910 NPU the rewrite beat both the four-real-GEMM baseline and a per-GEMM Gauss lowering on all twelve random circuits and on 52 of 55 structured cells (three cells slower by at most 12\%); the four-GEMM baseline was slower by a median $1.7\times$ (random) and $1.4\times$ (structured). Realification makes complex tensor-network contraction native to real-only matrix engines.
• Abstract（参考訳）: テンソル・ネットワークの収縮は量子回路をシミュレートするが、現代の行列加速器(NPU、TPU)は実際のGEMMパイプラインのみを公開するため、量子シミュレーションの複雑なネットワークをソフトウェアで再構築する必要がある。 我々は、任意の複素テンソルネットワークを実数にマッピングする現実化書き換えにより、ミスマッチを解消する。 2つの複素テンソルの各々のマージにおいて、ランク3構造テンソルはガウスの3乗算式(3M)を実現する。 実乗法では、オーバーヘッドが 1 + 2m + r$ であり、$m$ と $r$ は 2-および 1-複素演算子収縮の体積分数であり、実際の収縮に対して 3\times$ を超えることはない。 67個の回路(ランダム、クリフォード+$T$、QAOA、VQE)では、この法則は実複素域を越えて成り立ち、カウントではなく複素ゲート配置がコストを支配している。 縮約順序は、67個の回路のうち66個の回路において、相対演算コストギャップが5\times 10^{-4}$より低い複素ネットワークから転送される。 Ascend 910 NPUでは、4つの実時間GEMMベースラインと1つのGEMMガウスをそれぞれ12個のランダム回路で下降させ、55個の構造化されたセルのうち52個(3つのセルは最大12倍遅い)でリライトし、4つのGEMMベースラインは中央値1.7\times$(ランダム)と1.4\times$(構造化)で遅くなった。 実現は、実専用マトリックスエンジンに固有の複雑なテンソル・ネットワークの収縮をもたらす。

関連論文リスト

• Two-Tower Quantum Matrix Chain Multiplication: Trading Qubits for Depth [73.08853228981701]
  行列連鎖乗法は、科学計算、機械学習、グラフ解析における問題である。 我々は、$K$行列の$mathcalW$を回路深さの量子状態にエンコードする量子サブルーチンであるemphTwo-Tower Matrixを提案する。
  論文  参考訳（メタデータ） (2026-07-14T18:42:40Z)
• Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling [8.539489108260872]
  バッチ実行による事前トラジェクトリサンプリング(PTSBE)は,これらの手法のデータ収集率を劇的に向上させた。 PTSBEはデータ収集のスピードアップを106倍に向上させたが、テンソルネットワークの実装は15倍のスピードアップしか達成しなかった。 本研究では, 1) 誤差非依存の統一経路変動, 2) 非退化テンソルネットワークサンプリング, 3) フレキシブル/最適化収縮フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-09T17:02:18Z)
• Practical framework for simulating permutation-equivariant quantum circuits [0.0]
  ゲートジェネレータは最大$k$ローカルであり、$kin O(1)$であるという仮定のもと、$S_n$-equivariant 回路の実用的なアルゴリズムを導入する。 結果のメソッドは定数深度に対する$O(n+1)$時間で実行され、$$は行列乗算指数であり、既存の手法に比べて格段に低下する。
  論文  参考訳（メタデータ） (2026-03-13T15:18:18Z)
• Neural Learning of Fast Matrix Multiplication Algorithms: A StrassenNet Approach [36.2561379432247]
  高速行列乗算は行列乗算テンソルの低ランク分解の探索として記述できる。 ニューラルネットワークである textscStrassenNet を設計し,Strassen アルゴリズムを2時間2$乗算で再現する。 次に、同じアーキテクチャを$rin19,dots,23$で3ドル3セントの乗算でトレーニングします。
  論文  参考訳（メタデータ） (2026-02-25T11:22:31Z)
• Improving fermionic variational quantum eigensolvers with Majorana swap networks [0.0]
  本稿では,変分量子固有解法のための2つのMajoranaスワップネットワーク技術を紹介する。 まず、一般フェルミオンハミルトニアンにおいて、全ての二粒子相互作用項をローカライズする循環コンパイルアルゴリズムを開発する。 第2に、UCCGSDよりもコンパクトなUPCCGSD変分アンザッツのためのMajoranaスワップネットワークを設計する。
  論文  参考訳（メタデータ） (2025-09-09T15:33:13Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Augmenting Simulated Noisy Quantum Data Collection by Orders of Magnitude Using Pre-Trajectory Sampling with Batched Execution [47.60253809426628]
  提案手法は,誤差型を調整して軌道シミュレーションの効率化と有効性を高めることを目的としている。 私たちはそれぞれ100兆枚と100万枚という膨大なデータセットを生成します。
  論文  参考訳（メタデータ） (2025-04-22T22:36:18Z)
• TCNCA: Temporal Convolution Network with Chunked Attention for Scalable Sequence Processing [52.64837396100988]
  MEGAは最近のトランスフォーマーベースのアーキテクチャで、線形リカレント演算子を使用し、並列計算はFFTに基づいて、$O(LlogL)$で、$L$はシーケンス長である。 線形再帰を特別な時間的畳み込みネットワークに置き換えることで、より浅いネットワークでより大きい受容場を許容し、計算複雑性を$O(L)$に減らし、それらのアプローチを構築する。 我々は,EnWik8言語モデリングにおけるTCNCA,LRA(Long-range-arena)シーケンス分類,および合成推論ベンチマーク連想リコールの評価を行った。
  論文  参考訳（メタデータ） (2023-12-09T16:12:25Z)
• Density Matrix Renormalization Group with Tensor Processing Units [0.0]
  GoogleのProcessing Units(TPU)は、機械学習ワークロードの高速化とスケールアップに特化した集積回路である。 本研究では、局所量子多体ハミルトニアンの基底状態を計算するための強力な数値的アプローチである密度行列再正規化群(DMRG)の高速化とスケールアップにTPUを用いることを実証する。
  論文  参考訳（メタデータ） (2022-04-12T10:40:14Z)

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。