論文の概要: What Does It Cost to Simulate a Quantum Sentence Classifier? An Energy and Compute Perspective on Near-Term QNLP
- arxiv url: http://arxiv.org/abs/2610.06176v1
- Date: Mon, 05 Oct 2026 11:55:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 18:11:25.719594
- Title: What Does It Cost to Simulate a Quantum Sentence Classifier? An Energy and Compute Perspective on Near-Term QNLP
- Title（参考訳）: 量子文分類器のシミュレーションには何の費用がかかるか? -QNLPのエネルギー・計算的展望-
- Abstract要約: 量子自然言語処理の短期的な実験は古典的なシミュレータ上で行われることが多いため、シミュレータコストは現場の実用的な計算負担の一部となっている。
本稿では,2進SST-2感情分類に基づく変分量子分類器(VQC)のコストを測定した。
この研究は狭く(1つのデータセット、表現、アンサッツ、シミュレータ、CPU環境)、QNLPの一般的な評定ではなく再現可能な実現可能性の測定である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Near-term quantum natural language processing (QNLP) experiments often run on classical simulators, so simulator cost is part of the field's practical compute burden, yet accuracy tables do not show it. We measure that cost for a variational quantum classifier (VQC) on binary SST-2 sentiment classification, using PennyLane's state-vector simulator over a controlled grid of 27 configurations: three balanced training-set sizes (N = 200, 500, 1000), three qubit counts (4, 6, 8), and three circuit depths. Each VQC is compared with logistic regression on the same PCA-reduced input; full TF-IDF logistic regression gives an uncompressed reference. The VQC beats its matched baseline in 6 of 27 single-seed comparisons. After reruns at two further seeds, only 1 of these 6 keeps a positive mean advantage larger than its paired seed-to-seed variability, and paired tests on the fixed validation set do not establish it. VQC training is 886-21,127 times slower in measured wall-clock time than the matched classical fit (median 3,158 times); going from 4 to 8 qubits roughly doubles simulator time, and within the tested range per-step cost is well approximated by a linear function of the parameter count. CodeCarbon energy and CO2 estimates are secondary: they imply an almost constant power of about 41 W, so they add little beyond runtime, and we do not build an energy ratio from them. The study is narrow (one dataset, representation, ansatz, simulator, and CPU environment) and is a reproducible feasibility measurement, not a general verdict on QNLP.
- Abstract（参考訳）: 量子自然言語処理(QNLP)の実験は古典的なシミュレータ上で行われることが多いため、シミュレータコストはフィールドの実際の計算負担の一部だが、精度の表では示されていない。
我々は、ペニーレーンのステートベクターシミュレータを用いて、2進SST-2感情分類に基づく変分量子分類器(VQC)のコストを27の制御グリッド上で測定した:3つのバランス付きトレーニングセットサイズ(N = 200, 500, 1000)、3つのキュービットカウント(4, 6, 8)、3つの回路深さ。
各VQCは同一のPCA還元された入力のロジスティック回帰と比較され、完全なTF-IDFロジスティック回帰は非圧縮参照を与える。
VQCは27種中6種でマッチしたベースラインを上回っている。
さらに2つの種子で再実行した後は、これらの6種のうち1種だけが対の種子対種子の変動性よりも正の平均的優位性を保持し、固定された検証セット上のペア試験は確立しない。
VQCトレーニングは、マッチした古典的なフィット(中央3,158倍)よりもウォールクロック時間で886-21,127倍遅い。
CodeCarbon Energy と CO2 Estimation は二次的であり、それらは約41Wのほぼ一定のパワーを示唆している。
この研究は狭く(1つのデータセット、表現、アンサッツ、シミュレータ、CPU環境)、QNLPの一般的な評定ではなく再現可能な実現可能性の測定である。
関連論文リスト
- LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization [60.59339465850602]
本論文では、8ビットのリカレント状態量子化の下で、ほぼ無作為な性能を実現する学習不要なLeapQuantを提案する。
LeapQuantは、推論中にメモリと計算コストを大幅に削減することを示す。
FP32ベースラインに匹敵する精度で、カーネルレベルでは2.05--3.70$times$、エンドツーエンドの推論では1.47$times$となる。
論文 参考訳（メタデータ） (2026-09-29T17:59:34Z) - Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。
この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。
CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
論文 参考訳（メタデータ） (2026-08-26T15:32:44Z) - M-QAM MIMO Maximum-Likelihood Detection with QAOA: ML-Rate Offline Angle Design and Correlated Infinite-Size Spin-Glass Models [9.13755431537592]
量子近似最適化アルゴリズム(QAOA)は、マルチインプット多重出力(MIMO)システムにおけるNP-hard maximum-likelihood(ML)検出を目標としている。
試験は4096-QAM、128アンテナ、$p=30$、シンボルごとのSNR 0-45 dBに達する。
このアプローチは、より深いノイズのないフォールトトレラント量子(FTQ)回路の準最適復号化に向けられている。
論文 参考訳（メタデータ） (2026-08-18T12:45:47Z) - Recurrent Residual Quantization: A Progressive Multi-Precision Representation for LLMs [9.68624792431081]
本稿では,学習後の量子化フレームワークであるRecurrent Residual Quantization (RRQ)を紹介する。
RRQは、重みを低ビットの量子化された基底として表し、量子化された残差補正の列を表わす。
Qwen3-8Bでは,全RTN 2-/4-/6-/8-bitパッケージを1,293秒で構築した。
論文 参考訳（メタデータ） (2026-08-04T08:32:05Z) - Simulating quantum circuits with a neural statebank [0.0]
量子回路軌道に沿って波動関数を学習するニューラルステートバンクを導入する。
絡み合い、魔法、非対角分岐を組み合わせた長距離回路では、ステートバンクは34キュービットで$sim 10-2$に達する。
同じアーキテクチャは量子近似最適化、クリフォード+$T$、クリフォード回路を正確にシミュレートする。
論文 参考訳（メタデータ） (2026-06-07T16:05:44Z) - BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。
BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
論文 参考訳（メタデータ） (2026-02-04T02:54:37Z) - ParetoQ: Improving Scaling Laws in Extremely Low-bit LLM Quantization [73.60493264901359]
本稿では,1ビット,1.58ビット,2ビット,3ビット,4ビットの量子化設定に対して厳密な比較を行う統一フレームワークを提案する。
3次、2ビット、3ビット量子化は、サイズと精度のトレードオフにおいて同等のパフォーマンスを維持していることを示す。
ハードウェアの制約を考慮すると、2ビット量子化はメモリの削減とスピードアップに有望な可能性を秘めている。
論文 参考訳（メタデータ） (2025-02-04T18:59:26Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Subspace-Based Local Compilation of Variational Quantum Circuits for Large-Scale Quantum Many-Body Simulation [0.0]
本稿では,時間進化演算子をコンパイルするためのハイブリッド量子古典アルゴリズムを提案する。
精度を保ちながら、トロッタライゼーションに比べて95%の回路深さの低減を実現している。
我々は,LSVQCを用いて,短期量子コンピューティングアーキテクチャ上での量子シミュレーションの実行に必要なゲート数を推定する。
論文 参考訳（メタデータ） (2024-07-19T09:50:01Z) - Validation tests of GBS quantum computers give evidence for quantum
advantage with a decoherent target [62.997667081978825]
複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。
偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
論文 参考訳（メタデータ） (2022-11-07T12:00:45Z)
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。