論文の概要: Predicting Resource Efficient Hamiltonian Decomposition for Continuous-Time Quantum Walk Simulations

• arxiv url: http://arxiv.org/abs/2608.20660v1
• Date: Fri, 21 Aug 2026 01:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.336653
• Title: Predicting Resource Efficient Hamiltonian Decomposition for Continuous-Time Quantum Walk Simulations
• Title（参考訳）: 連続時間量子ウォークシミュレーションのための資源効率の高いハミルトン分解の予測
• Abstract要約: 我々は、与えられたグラフに対して、その2つの分解のうちどれがより小さなCXゲート数を生成するかを予測するために機械学習モデルを訓練する。 グラフの10の位相特性と、パウリと整合分解という用語を数えた2つの特徴 (n_Pauli と n_match) を用いており、どちらもシミュレーション回路をトランスパイルすることなく計算可能である。
• 参考スコア（独自算出の注目度）: 0.21847754147782886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating a continuous-time quantum walk (CTQW) on a graph in the circuit model of quantum computing requires decomposing its Hamiltonian into terms that can be Trotterized into hardware-native gates. We consider two such decompositions: the standard Pauli decomposition and the recently introduced matching decomposition. Prior work suggests that the matching decomposition uses fewer CX gates on sparse graphs, while the Pauli decomposition uses fewer on denser graphs. Since CX gates dominate error and runtime on current hardware, we train machine learning models to predict, for a given graph, which of the two decompositions produces the smaller CX gate count. We train and evaluate on the complete population of all 11,117 connected eight-vertex graphs from Brendan McKay's database, so the class balance and overlap are measured directly rather than estimated. We use twelve features: ten topological properties of the graph and two that count the terms the Pauli and matching decompositions produce (n_Pauli and n_match), both computable without transpiling the simulation circuit. Standard topological properties alone provide little predictive power. Instead, the dominant signal comes from n_Pauli, a property of the Hamiltonian decomposition rather than an intrinsic property of the graph; degree variance is the only other feature that carries signal. Across a range of models the Matthews correlation coefficient (MCC) falls in a narrow band, from 0.569 untuned to 0.593 after tuning, so no single architecture stands out. We adopt a single-hidden-layer neural network at MCC 0.593. Applied frozen to a held-out, class-balanced test set of larger graphs (up to 256 vertices) from structured and Erdos-Renyi families, the model transfers, with MCC rising from 0.785 at N=8 to 1 at N>=64.
• Abstract（参考訳）: 量子コンピューティングの回路モデルにおけるグラフ上の連続時間量子ウォーク(CTQW)をシミュレートするには、ハミルトニアンをハードウェアネイティブゲートにトロッタ化できる用語に分解する必要がある。 標準的なパウリ分解と最近導入された整合分解という2つの分解を考える。 以前の研究は、マッチング分解はスパースグラフ上のより少ないCXゲートを使い、一方パウリ分解はより密度の高いグラフ上でより少ないことを示唆している。 CXゲートが現在のハードウェア上でエラーとランタイムを支配しているため、与えられたグラフに対して、その2つの分解のうちどれがより小さなCXゲート数を生成するかを予測するために機械学習モデルを訓練する。 我々はブレンダン・マッケイのデータベースから11,117個の連結8頂点グラフの全人口を訓練し、評価する。 グラフの10の位相特性と、パウリと整合分解という用語を数えた2つの特徴 (n_Pauli と n_match) を用いており、どちらもシミュレーション回路をトランスパイルすることなく計算可能である。 標準位相特性だけでは予測力はほとんど得られない。 代わりに、支配的な信号は、グラフの内在的性質ではなくハミルトン分解の性質であるn_Pauliから来ている。 マシューズ相関係数(MCC)は、調整後の0.569から0.593まで幅の狭いバンドに収まるため、単一のアーキテクチャは目立たない。 我々はMCC 0.593で単層ニューラルネットワークを採用する。 構造付きおよびエルドス・レニー族から得られたより大きなグラフ(最大256頂点)の保持されたクラスバランステストセットに凍結し、モデル転送を行い、MCCは0.785からN>=64に上昇した。

関連論文リスト

• Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space [0.0]
  対数スケールの変分量子固有解法(VQE)を提案する。 これにより、タンパク質構造予測(QPSP)のための最初の全原子連続空間量子アルゴリズムが導入された。 これは、指数的に少ない量子ビットで高分解能予測が実現可能であることを証明している。
  論文  参考訳（メタデータ） (2026-09-02T05:05:46Z)
• Kohn-Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification [0.0]
  Kohn-Sham Spectral Embedding (KSSE) 畳み込みネットワークの上位層を、関連するランダム・ボンド・アイシング・モデルの西森温度に埋め込んだスパースグラフスペクトルに置き換えたエネルギーベースモデル。 ImageNet-1000では、凍結されたEfficientNet-B4機能により、KSSEは21.24MパラメータビーティングSwin-L (197M, 86.4-87.3%)で88.93%のTop-1精度を達成し、ViT-H/14の下端(632M, 88.0-89.5%)を10倍と30倍のパラメータでマッチングした。
  論文  参考訳（メタデータ） (2026-07-30T16:05:51Z)
• AXELRAM: Quantize Once, Never Dequantize [0.0]
  AXELRAMは、量子化されたKVキャッシュインデックスから直接注目スコアを算出する。 我々は,根本原因をレイヤーワイド標準に追従し,ハードウェアコストゼロの破滅的なスパイクを排除した勾配のない符号パターン選択(200の候補,8のキャリブレーションサンプル,1回)を提案する。
  論文  参考訳（メタデータ） (2026-04-03T02:03:38Z)
• Simulating Quantum Walk Hamiltonians without Pauli Decomposition [0.6597195879147555]
  任意の単純なスパースグラフ上で連続時間量子ウォークを効率的に実装する量子回路を生成するための新しいアルゴリズムを提案する。 このアルゴリズムはマッチング分解と呼ばれ、連続時間量子ウォークハミルトニアンを、基礎となるグラフのマッチングに対応する正確に実装可能なハミルトニアンの集合に分解することで機能する。 CX と CRx ゲートのシーケンスとして回路モデルにおいて,各エッジ上の歩行のダイナミクスを実装できる。
  論文  参考訳（メタデータ） (2026-01-16T16:41:31Z)
• Sampling on Metric Graphs [15.544139471623623]
  距離グラフ上でブラウン運動をシミュレートする最初のアルゴリズムを提案する。 また,距離グラフをサンプリングするための最初のアルゴリズムも取得する。 提案アルゴリズムは,DuMuXの有限体積法における安定限界よりもはるかに大きい時間ステップで,安定なシミュレーションを実行できる。
  論文  参考訳（メタデータ） (2025-12-01T20:11:05Z)
• Natural Image Classification via Quasi-Cyclic Graph Ensembles and Random-Bond Ising Models at the Nishimori Temperature [0.0]
  効率的なマルチクラス画像分類のためのフレームワークを提案する。 凍結したMobileNetV2バックボーンからの高次元特徴ベクトルは、スパースマルチエッジ型準環状LDPCグラフ上のスピンとして解釈される。 我々はImageNet-10で98.7%、ImageNet-100で82.7%の精度を達成し、トポロジ誘導グラフ設計が最先端の性能を持つ高効率な埋め込みを実現することを示した。
  論文  参考訳（メタデータ） (2025-08-26T06:27:50Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Generating Graphs via Spectral Diffusion [48.70458395826864]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGGSDを提案する。 合成グラフと実世界のグラフの両方に関する広範な実験は、最先端の代替品に対する我々のモデルの強みを実証している。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Stability of Graph Convolutional Neural Networks to Stochastic Perturbations [122.12962842842349]
  グラフ畳み込みニューラルネットワーク(GCNN)は、ネットワークデータから表現を学ぶ非線形処理ツールである。 現在の分析では決定論的摂動を考慮しているが、トポロジカルな変化がランダムである場合、関連する洞察を与えられない。 本稿では,リンク損失に起因する乱れグラフ摂動に対するGCNNの安定性について検討する。
  論文  参考訳（メタデータ） (2021-06-19T16:25:28Z)
• Graph and graphon neural network stability [122.06927400759021]
  グラフネットワーク(GNN)は、ネットワークデータの有意義な表現を生成するためにグラフ構造の知識に依存する学習アーキテクチャである。 我々は,GNNの安定性を,グラファイトと呼ばれるカーネルオブジェクトを用いて解析する。
  論文  参考訳（メタデータ） (2020-10-23T16:55:56Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。