論文の概要: Cross-Backend QIEO: Universal Runtime Portability across OpenMP5, CUDA, HIP, and Multi-Language Interfaces

• arxiv url: http://arxiv.org/abs/2609.30914v1
• Date: Fri, 25 Sep 2026 07:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.277041
• Title: Cross-Backend QIEO: Universal Runtime Portability across OpenMP5, CUDA, HIP, and Multi-Language Interfaces
• Title（参考訳）: バックエンドQIEO: OpenMP5, CUDA, HIP, マルチ言語インターフェース間のユニバーサルランタイムポータビリティ
• Abstract要約: 量子インスパイアされたアルゴリズムは、古典的ハードウェア上での重ね合わせ、干渉、確率的振幅進化などの量子力学的原理をエミュレートする。 このアプローチは物理量子ビットを使わずに最適化を提供し、オーダー・オブ・マグニチュード・スピードアップを実現することが示されている。 採用にとって重要な障壁は、アルゴリズムのパフォーマンスとハードウェアポータビリティの両方を提供する統一された実行フレームワークがないことである。
• 参考スコア（独自算出の注目度）: 6.781697457234383
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum-inspired algorithms emulate quantum mechanical principles, such as, superposition, interference, and probabilistic amplitude evolution, on classical hardware by representing candidate solutions as qubit vectors and evolving them through rotation-gate operators. This approach offers higher optimization performance without physical qubits, and has been shown to achieve order-of-magnitude speedups (10--80$\times$) over traditional solvers on combinatorial, high-dimensional NP-hard problems. A critical barrier to adoption, however, is the lack of a unified execution framework that delivers both algorithmic performance and hardware portability. We present \textbf{Cross-Backend Quantum Inspired Evolutionary Optimizer (QIEO)}, the runtime core of BQP's BQPhy solver, which addresses this gap through a \emph{single-source-of-truth} architecture. One C++ implementation of the QIEO algorithm is compiled once per hardware target and exposed to multiple high-level languages via thin binding layers. The framework dispatches to CPU (sequential), OpenMP~5 (multi-core), CUDA (NVIDIA), and HIP (AMD) backends at runtime, adapting kernels to each device's memory hierarchy and warp/wavefront execution model. The framework's real-world utility is validated through binding demonstrations that share the identical C++ runtime. BQPhy's Python library is demonstrated on a neural network hyperparameter optimisation achieving 88.60\% test accuracy on MNIST. BQPhy's MATLAB's Toolkit is tested on wind farm layout optimisation attaining $365\,399 \pm 4\,552$~MWh/yr, which is statistically indistinguishable from particle swarm optimisation and $+7.6\%$ above genetic algorithms on a 32-variable constrained engineering problem. The Julia package tackles the Lotka--Volterra parameter estimation where BQPhy replaces native Julia solvers on the same residual, cutting mean SSE by $2.1\times$.
• Abstract（参考訳）: 量子インスパイアされたアルゴリズムは、量子ビットベクトルとして候補解を表現し、回転ゲート演算子を介してそれらを進化させることにより、古典的ハードウェア上での重ね合わせ、干渉、確率振幅の進化などの量子力学的原理をエミュレートする。 このアプローチは物理量子ビットを使わずに高い最適化性能を提供し、組み合わせ高次元NPハード問題における従来の解法よりも高次精度(10-80$\times$)を実現することが示されている。 しかし、採用にとって重要な障壁は、アルゴリズムのパフォーマンスとハードウェアポータビリティの両方を提供する統一された実行フレームワークがないことである。 本稿では,BQPのBQPhyソルバのランタイムコアであるtextbf{Cross-Backend Quantum Inspired Evolutionary Optimizer (QIEO)}について述べる。 QIEOアルゴリズムの1つのC++実装は、ハードウェアターゲット毎に1回コンパイルされ、シンバインディング層を介して複数のハイレベル言語に公開される。 このフレームワークは実行時にCPU(シークエンシャル)、OpenMP~5(マルチコア)、CUDA(NVIDIA)、HIP(AMD)バックエンドにディスパッチされ、各デバイスのメモリ階層とワープ/ウェーブフロント実行モデルにカーネルを適用する。 フレームワークの実際のユーティリティは、同一のC++ランタイムを共有するバインディングデモを通じて検証される。 BQPhyのPythonライブラリは、MNISTで88.60\%のテスト精度を達成するニューラルネットワークハイパーパラメータ最適化で実証されている。 BQPhyのMATLAB's Toolkitは、365\,399 \pm 4\,552$~MWh/yrの風力発電レイアウトの最適化でテストされている。 JuliaパッケージはLotka-Volterraパラメータ推定に取り組み、BQPhyはネイティブのJuliaソルバを同じ残余で置き換え、SSEを2.1\times$でカットする。

関連論文リスト

• GPU-Enabled Large-Scale Optimization Using Randomized Linear Algebra [13.9407640377773]
  本稿では、RandNLA(RandNLA)を用いた大規模最適化と科学計算のためのPyTorchベースのパッケージであるrlaoptを紹介する。 Rlaoptはこのギャップに対処するため、正定値線形システムに対するGPU対応の解法と、制約と正規化子による凸型経験的リスク最小化を提供する。 Rlaoptは、選択したソルバとの互換性を自動的にチェックし、必要な問題を分解する。
  論文  参考訳（メタデータ） (2026-09-08T02:14:05Z)
• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• GPU-Accelerated Quantum Simulation: Empirical Backend Selection, Gate Fusion, and Adaptive Precision [0.0]
  本稿では,GPU加速量子回路シミュレーションフレームワークを提案する。 実証的なバックエンド選択アルゴリズムは、実行時にCuPy、PyTorchCUDA、NumPyのCPUバックエンドをベンチマークする。 ゲート融合エンジンはゲートシーケンスの自動識別により回路深さを低減する。 フォールバック機構はGPUメモリの消費を監視し、リソースの枯渇時にメモリ実行を優雅に低下させる。
  論文  参考訳（メタデータ） (2026-04-04T17:46:37Z)
• 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)
• Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
  MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。 本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。 本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-02-10T14:17:53Z)
• KScaNN: Scalable Approximate Nearest Neighbor Search on Kunpeng [46.35664429179457]
  既存のx86 ANNSアルゴリズムをARMプラットフォームに移植すると、性能が大幅に低下する。 我々は、Kunpeng 920 ARMアーキテクチャ用に設計された新しいANNSアルゴリズムであるKScaNNを紹介する。
  論文  参考訳（メタデータ） (2025-11-05T09:01:32Z)
• Pushing the Boundary of Quantum Advantage in Hard Combinatorial Optimization with Probabilistic Computers [0.4969640751053581]
  確率的コンピュータ(p-コンピュータ)が、ハード最適化問題を解決するための説得力がありスケーラブルな古典的経路を提供することを示す。 我々は3次元スピングラスに適用された2つの重要なアルゴリズム、離散時間シミュレーション量子アニール(DT-SQA)と適応並列テンパリング(APT)に焦点を当てた。 APTは非局所アイソエネルゲティッククラスタの移動によって支えられ、より良好なスケーリングを示し、最終的にはDT-SQAよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-13T12:24:13Z)
• All-to-all reconfigurability with sparse and higher-order Ising machines [0.0]
  オール・ツー・オールのネットワーク機能をエミュレートする多重アーキテクチャを導入する。 適応並列テンパリングアルゴリズムの実行は、競合するアルゴリズムと事前ファクターの利点を示す。 pビットIMのスケールされた磁気バージョンは、汎用最適化のための最先端技術よりも桁違いに改善される可能性がある。
  論文  参考訳（メタデータ） (2023-11-21T20:27:02Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)

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。