論文の概要: Transpilation-Aware Runtime Prediction for Noisy Quantum Circuit Simulation

• arxiv url: http://arxiv.org/abs/2609.12980v1
• Date: Fri, 11 Sep 2026 15:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.797508
• Title: Transpilation-Aware Runtime Prediction for Noisy Quantum Circuit Simulation
• Title（参考訳）: 雑音量子回路シミュレーションのためのトランスパイレーション対応実行時予測
• Abstract要約: トランスパイレーション後のQiskit Aerシミュレーションランタイム予測におけるグラフニューラルネットワーク(GNN)と従来の回帰手法の有効性について検討した。 具体的には、元の回路情報を用いたソースGNNと、ソースレベルのグラフとポストトランスパイル機能を組み合わせたハイブリッドGNNと、トランスパイルされた回路情報のみを用いたトランスパイルGNNを比較した。
• 参考スコア（独自算出の注目度）: 1.6355471507854134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the runtime of noisy quantum circuit simulations is important for scheduling, resource allocation, and performance optimization. However, accurate prediction is challenging because backend-aware transpilation can substantially alter the original circuit structure, while the backend-derived noise model and simulator execution behavior can introduce additional runtime variation. We study the effectiveness of graph neural networks (GNNs) and conventional regression methods in predicting Qiskit Aer simulation runtime measured after transpilation. We construct a dataset from a benchmark pool of 1,402 unique circuits spanning 22 circuit families, two Qiskit fake-backend configurations, and four transpiler optimization levels. Specifically, we compare a source GNN using original circuit information, hybrid GNN combining source-level graph with post-transpilation features, and transpiled GNN using only transpiled circuit information, along with five regression models. In the overall-model setting, the transpiled GNN achieves the strongest performance among the graph-based representations at all four optimization levels, obtaining $R^2$ values of 0.974, 0.713, 0.745, and 0.605 for optimization levels 0 through 3, respectively. However, under backend-specific evaluation, the advantage of GNN decreases, with conventional regression models matching or outperforming the GNNs in several settings. These results indicate that post-transpilation information is useful, while the value of explicit graph modeling depends on the backend and optimization level.
• Abstract（参考訳）: ノイズの多い量子回路シミュレーションのランタイムを予測することは、スケジューリング、リソース割り当て、性能最適化に重要である。 しかし、バックエンドを意識したトランスパイルによって元の回路構造が大幅に変化し、バックエンド由来のノイズモデルとシミュレータ実行の振る舞いが追加のランタイム変動をもたらすため、正確な予測は難しい。 トランスパイレーション後のQiskit Aerシミュレーションランタイム予測におけるグラフニューラルネットワーク(GNN)と従来の回帰手法の有効性について検討した。 我々は、22の回路ファミリーと2つのQiskitフェイクバックエンド構成、および4つのトランスパイラ最適化レベルにまたがる1,402個のユニークな回路からなるベンチマークプールからデータセットを構築した。 具体的には、元の回路情報を用いたソースGNNと、ソースレベルのグラフとポストトランスパイル機能を組み合わせたハイブリッドGNNと、トランスパイルされた回路情報のみを用いたトランスパイルGNNと、5つの回帰モデルを比較した。 全体モデル設定において、トランスパイルされたGNNは、最適化レベル0から3に対してそれぞれ0.974、0.713、0.745、0.605のR^2$の値を得る4つの最適化レベルにおいて、グラフベースの表現の中で最も高い性能を達成する。 しかし、バックエンド固有の評価の下では、GNNの利点は減少し、従来の回帰モデルはいくつかの設定でGNNをマッチングまたは性能良くする。 これらの結果から,明示的なグラフモデリングの値はバックエンドと最適化レベルに依存しているのに対し,トランスパイレーション後の情報は有用であることが示唆された。

関連論文リスト

• Auto-ML Graph Neural Network Hypermodels for Outcome Prediction in Event-Sequence Data [2.879694041689511]
  HGNN(O)は、イベントシーケンスデータに対する結果予測のためのAutoML GNNハイパーモデルフレームワークである。 我々は,HGNN(O)がTraffic Finesデータセットで0.98以上の精度を達成し,重み付きF1スコアが患者データセットで最大0.86に達することを示す。
  論文  参考訳（メタデータ） (2025-11-24T07:13:34Z)
• GNN-Suite: a Graph Neural Network Benchmarking Framework for Biomedical Informatics [0.0]
  本稿では,計算生物学におけるグラフニューラルネットワーク(GNN)アーキテクチャの構築とベンチマークを行うフレームワークであるGNN-Suiteを紹介する。 タンパク質-タンパク質相互作用(PPI)データから分子ネットワークを構築することにより,癌ドライバ遺伝子の同定にその有用性を示す。 GNNアーキテクチャの実装と評価のための共通フレームワークは、最高のモデルだけでなく、補完的なデータを組み込む最も効果的な方法を特定するのに役立つ。
  論文  参考訳（メタデータ） (2025-05-15T21:14:30Z)
• Hybrid-Task Meta-Learning: A GNN Approach for Scalable and Transferable Bandwidth Allocation [50.96751567777229]
  ユーザ数に応じてスケーラブルで,異なる通信シナリオに転送可能な,ディープラーニングベースの帯域割り当てポリシを開発する。 スケーラビリティをサポートするために、帯域割り当てポリシーはグラフニューラルネットワーク(GNN)によって表現される。 我々は,GNNの初期パラメータを異なる通信シナリオで学習するハイブリッドタスクメタ学習(HML)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-23T04:25:12Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• A Graph Neural Network Framework for Grid-Based Simulation [0.9137554315375922]
  本稿では,シミュレーションの実行を置き換え,最適化プロセスを高速化する代理フィードフォワードモデルを構築するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々のGNNフレームワークは、石油やガス、炭素捕獲シークエンス(CCS)など、よく関連する地下最適化の応用に大きな可能性を示している。
  論文  参考訳（メタデータ） (2022-02-05T22:48:16Z)
• CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach [5.365198933008246]
  CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。 実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
  論文  参考訳（メタデータ） (2020-02-13T00:29:44Z)

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。