論文の概要: Towards Continuous Profiling and Optimization of Quantum-Classical Pipelines

• arxiv url: http://arxiv.org/abs/2609.05814v2
• Date: Thu, 10 Sep 2026 15:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.028045
• Title: Towards Continuous Profiling and Optimization of Quantum-Classical Pipelines
• Title（参考訳）: 量子古典パイプラインの連続プロファイリングと最適化に向けて
• Abstract要約: 本稿では,量子古典パイプラインのためのプロファイリング駆動型メタフレームワークであるLLQM(Low-Level Quantum Machine)を提案する。 連続プロファイリングはボトルネックを露呈し、ハードウェア、忠実度、ワークロード対応ランタイムの最適化を可能にする。
• 参考スコア（独自算出の注目度）: 3.3978978857739204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum applications increasingly execute as multi-stage quantum-classical pipelines, interleaving QPU computation with classical stages like circuit generation, transpilation, layout mapping, quantum error mitigation (QEM), and post-processing. These stages have diverse resource requirements and exhibit stochastic behavior under drifting hardware noises, yet existing workflow frameworks treat them as static, isolated components. We present LLQM (Low-Level Quantum Machine), a profiling-driven meta-framework for quantum-classical pipelines. LLQM decomposes pipelines into fine-grained tasks and continuously profiles their CPU/GPU, memory, QPU, and queue dependencies alongside real-time hardware states. This unified runtime abstraction captures cross-stage resource dependencies and reveals how classical and quantum decisions interact, enabling characterization of their impact on fidelity and resource consumption. We evaluate LLQM using QEM as a representative pipeline stage, on IBM 156-qubit Heron r2 processors with circuits up to 100 qubits and 1e7 transpiled gates. Our results show that continuous profiling exposes runtime bottlenecks and enables hardware-, fidelity-, and workload-aware optimizations.
• Abstract（参考訳）: 量子アプリケーションは、回路生成、トランスパイル、レイアウトマッピング、量子エラー緩和(QEM)、後処理といった古典的なステージでQPU計算をインターリーブすることで、多段階の量子古典パイプラインとしてますます実行されていく。 これらのステージは多様なリソース要件を持ち、ドリフトするハードウェアノイズの下で確率的な振る舞いを示すが、既存のワークフローフレームワークはそれらを静的で独立したコンポーネントとして扱う。 本稿では,量子古典パイプラインのためのプロファイリング駆動型メタフレームワークであるLLQM(Low-Level Quantum Machine)を提案する。 LLQMはパイプラインをきめ細かいタスクに分解し、CPU/GPU、メモリ、QPU、キューの依存関係をリアルタイムハードウェア状態とともに継続的にプロファイルする。 この統合されたランタイム抽象化は、ステージ間のリソース依存関係をキャプチャし、古典的および量子的な決定がどのように相互作用するかを明らかにする。 我々は、100キュービットと1e7のトランスパイルゲートを持つIBM 156キュービットHeron r2プロセッサ上で、QEMを用いたLLQMを代表パイプラインステージとして評価した。 この結果から,連続プロファイリングは実行時のボトルネックを露呈し,ハードウェア,忠実度,ワークロードを意識した最適化を可能にすることがわかった。

関連論文リスト

• TuniQ: Autotuning Compilation Passes for Quantum Workloads at Scale for Effectiveness and Efficiency [3.7546942901849225]
  パイプラインの各段階におけるコンパイルパスを選択する強化学習ベースのシステムであるTuniQを提案する。 TuniQは、メリットを増すとともに、ユーティリティスケールの回路に強くスケールする。
  論文  参考訳（メタデータ） (2026-05-12T00:58:42Z)
• Domain-Aware Quantum Circuit for QML [0.7999703756441755]
  本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。 設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。 MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
  論文  参考訳（メタデータ） (2025-12-19T17:02:58Z)
• Qiboml: towards the orchestration of quantum-classical machine learning [53.28668485072944]
  本稿では,量子および古典的機械学習をオーケストレーションするオープンソースソフトウェアライブラリであるQibomlを紹介する。 多様なシミュレーションオプション、ノイズ認識シミュレーション、リアルタイムエラー軽減とキャリブレーションなどの機能を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T18:00:00Z)
• Scaling Hybrid Quantum-HPC Applications with the Quantum Framework [2.9218462389567823]
  大規模に量子アプリケーションを運用するための重要な戦略として,ハイブリッド量子ハイパフォーマンスコンピューティングが登場している。 モジュール化されたHPC対応オーケストレーション層であるQuantum Framework(QFw)を拡張して、複数のローカルバックエンドとクラウドベースの量子バックエンドを統合する。 この統合を利用することで、多くの非変分処理と変分処理を実行します。
  論文  参考訳（メタデータ） (2025-09-17T22:58:43Z)
• Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
  線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。 このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
  論文  参考訳（メタデータ） (2025-02-10T13:50:50Z)
• AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer [54.713778961605115]
  Vision Transformer (ViT) はコンピュータビジョンコミュニティにおいて最も普及しているバックボーンネットワークの1つである。 本稿では,AdaLog(Adaptive Logarithm AdaLog)量子化器を提案する。
  論文  参考訳（メタデータ） (2024-07-17T18:38:48Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• 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)
• A MLIR Dialect for Quantum Assembly Languages [78.8942067357231]
  量子コンピューティングにおけるMLIR(Multi-Level Intermediate Representation)の有用性を実証する。 我々は、共通量子集合言語の表現とコンパイルを可能にする新しい量子方言でMLIRを拡張した。 我々はQIR量子ランタイムAPIのqcor対応実装を活用して、再ターゲット可能な(量子ハードウェアに依存しない)コンパイラワークフローを実現する。
  論文  参考訳（メタデータ） (2021-01-27T13:00:39Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Application-Motivated, Holistic Benchmarking of a Full Quantum Computing Stack [0.0]
  量子コンピューティングシステムは、彼らが期待する実用的なタスクの点でベンチマークされる必要がある。 ベンチマークのための3つの「アプリケーションモチベーション」回路クラス(深度、浅度、正方形)を提案する。 我々は,これらのクラスからの動作回路における量子コンピューティングシステムの性能を,いくつかの値を用いて定量化する。
  論文  参考訳（メタデータ） (2020-06-01T21:21:33Z)

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。