論文の概要: MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline

• arxiv url: http://arxiv.org/abs/2609.30104v1
• Date: Thu, 24 Sep 2026 16:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.127271
• Title: MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline
• Title（参考訳）: MQSSセレクタ:MLIRコンパイルパイプラインのためのRLガイドパス選択
• Abstract要約: 今日のQCデバイスはエラーが発生し、リソースが制限される。 既存のスタックの多くは断片化されており、デバイス選択、コンパイラパス最適化、ジョブキューのスケジューリングに責任を負うコンポーネントが分離されている。 本稿では、これらの異なる段階を結合的なフレームワークに統合する統合学習ベースのセレクタを提案する。
• 参考スコア（独自算出の注目度）: 1.757932795263519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High Performance Computing (HPC) and Quantum Computing (QC) systems are increasingly converging towards unified High Performance Computing-Quantum Computing (HPCQC) infrastructures, driven by a growing need to bridge classical and quantum workflows, which affects all levels of the system stack, from the hardware to compilers and runtimes, all the way to applications. However, today's QC devices are still in the Noisy Intermediate-Scale Quantum (NISQ) era, are error-prone and resource-limited, and therefore require specialized optimizations and topology mappings to achieve sufficient fidelity. This places special emphasis on proper compilation and optimization within the overall quantum software stack. Many existing stacks remain fragmented, with separate components responsible for device selection, compiler-pass optimization, and job queue scheduling. This paper proposes a unified, learning-based selector that integrates these disparate stages into a cohesive framework. Our proposed selector scheme leverages reinforcement learning and deep learning models that can be extended to simultaneously optimize multiple objectives -- such as fidelity, compilation time, and scheduling latency -- while dynamically adapting to circuit characteristics and device conditions.
• Abstract（参考訳）: HPC(High Performance Computing)と量子コンピューティング(Quantum Computing)のシステムは、ハードウェアからコンパイラ、ランタイムに至るまで、システムスタックのすべてのレベルに影響を与える古典的および量子ワークフローをブリッジする必要性が高まっているため、統合されたハイパフォーマンスコンピューティング・量子コンピューティング(HPCQC)インフラストラクチャにますます収束している。 しかし、今日のQCデバイスは未だにノイズ・中間規模量子(NISQ)時代にあり、エラーが発生し、リソースが制限されているため、十分な忠実性を達成するためには特別な最適化とトポロジマッピングが必要である。 これは、全体的な量子ソフトウェアスタック内の適切なコンパイルと最適化に特に重点を置いている。 既存のスタックの多くは断片化されており、デバイス選択、コンパイラパス最適化、ジョブキューのスケジューリングに責任を負うコンポーネントが分離されている。 本稿では、これらの異なる段階を結合的なフレームワークに統合する統合学習ベースのセレクタを提案する。 提案手法では,回路特性やデバイス条件に適応しながら,複数の目的 – 忠実度,コンパイル時間,スケジュール待ち時間など – を同時に最適化できるように拡張可能な強化学習モデルとディープラーニングモデルを活用する。

関連論文リスト

• Fidelity-Aware Scheduling of Quantum Circuits on Multi-QPU Systems [4.664145631891428]
  グラフニューラルネットワーク(GNN)に基づくマルチQPUシステムのための低オーバヘッド忠実度対応スケジューリングフレームワークを提案する。 この枠組みは, 計算資源を節約し, 徹底的な忠実度に基づく割当てを実現できることを示す。
  論文  参考訳（メタデータ） (2026-09-09T10:10:33Z)
• 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)
• 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)
• ConQuER: Modular Architectures for Control and Bias Mitigation in IQP Quantum Generative Models [40.972673943861075]
  瞬時量子(IQP)回路に基づく量子生成モデルは、複素分布の学習において非常に有望である。 現在の実装は、生成した出力に対する制御性の欠如と、期待される特定のパターンに対する深刻な生成バイアスに悩まされている。 モジュール回路アーキテクチャによる両課題に対処する制御可能な量子生成フレームワーク ConQuER を提案する。
  論文  参考訳（メタデータ） (2025-09-26T16:32:41Z)
• 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)
• Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering [41.94295877935867]
  量子解法と古典解法をともに実装し,その有効性を比較する。 特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案する。 事例選択では,既存手法を拡張した事例レベルの重要度尺度を提案する。 クラスタリングには古典的クラスタリングとQUBOベースのメドイドリファインメントを併用した古典的量子パイプラインを組み込む。
  論文  参考訳（メタデータ） (2025-07-20T17:59:14Z)
• Compiler for Distributed Quantum Computing: a Reinforcement Learning Approach [6.347685922582191]
  本稿では,EPRペアの生成とルーティングを共同で管理することで,実行時間の短縮を優先する新しいコンパイラを提案する。 本稿では, 量子回路の絡み合い生成の性質と動作要求を考慮し, リアルタイムかつ適応的なコンパイラ設計手法を提案する。 i)マルコフ決定過程(MDP)の定式化を用いてDQCの最適コンパイラをモデル化し、最適アルゴリズムの存在を確立し、(ii)この最適コンパイラを近似するために制約付き強化学習(RL)法を導入する。
  論文  参考訳（メタデータ） (2024-04-25T23:03:20Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• 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)
• Extending C++ for Heterogeneous Quantum-Classical Computing [56.782064931823015]
  qcorはC++とコンパイラの実装の言語拡張で、異種量子古典プログラミング、コンパイル、単一ソースコンテキストでの実行を可能にする。 我々の研究は、量子言語で高レベルな量子カーネル(関数)を表現できる、第一種C++コンパイラを提供する。
  論文  参考訳（メタデータ） (2020-10-08T12:49:07Z)

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。