論文の概要: A scalable sample-based quantum diagonalization solver for general Pauli-sum Hamiltonians

• arxiv url: http://arxiv.org/abs/2610.13907v1
• Date: Fri, 09 Oct 2026 17:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.70527
• Title: A scalable sample-based quantum diagonalization solver for general Pauli-sum Hamiltonians
• Title（参考訳）: 拡張性のあるサンプルベース量子対角化解法による一般パウリ・サム・ハミルトニアンの解法
• Abstract要約: サンプルベース量子対角化(SQD)に用いるスケーラブルな基底状態解法について述べる。 このソルバはJAX API上に構築されており、GPUプラットフォームとおそらく多くのGPUハイパフォーマンスコンピューティング機能上で動作することを意図している。 最大230ドルの次元のサブスペースでサブスペース対角化が可能で、より大規模な操作を可能にするアップグレードも可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A scalable ground-state solver to be used in sample-based quantum diagonalization (SQD) is presented. The solver is built on JAX API, and is intended to be run on GPU platforms and possibly many-GPU high-performance computing facilities. It is capable of subspace diagonalization in up to $2^{30}$-dimensional subspace, with possible upgrades to enable even larger-scale operations. The two main components, a general-purpose eigensolver and an SQD-specific matrix-vector operation function, are described in detail. Efficiency of the eigensolver with respect to the GPU memory is demonstrated using a simple physics model. Furthermore, good strong scaling of the eigensolver in many-GPU environment is observed.
• Abstract（参考訳）: サンプルベース量子対角化(SQD)に用いるスケーラブルな基底状態解法について述べる。 このソルバはJAX API上に構築されており、GPUプラットフォームとおそらく多くのGPUハイパフォーマンスコンピューティング機能上で動作することを意図している。 最大2-30$次元のサブスペースでのサブスペース対角化が可能で、より大規模な操作を可能にするアップグレードも可能である。 汎用固有解法とSQD固有の行列ベクトル演算関数の2つの主要成分について詳述する。 簡単な物理モデルを用いて,GPUメモリに対する固有解法の有効性を実証した。 さらに,多GPU環境下での固有ソルバの優れたスケーリングが観察された。

関連論文リスト

• Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
  Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。 Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。 数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:33:50Z)
• GPU-accelerated Effective Hamiltonian Calculator [70.12254823574538]
  本研究では,非摂動解析対角化法(NPAD)とマグナス拡大法に着想を得た数値解析手法を提案する。 私たちの数値技術は、オープンソースPythonパッケージとして、$rm qCH_eff$で利用可能です。
  論文  参考訳（メタデータ） (2024-11-15T06:33:40Z)
• HOBOTAN: Efficient Higher Order Binary Optimization Solver with Tensor Networks and PyTorch [0.0]
  高次二項最適化(HOBO)のための新しい解法である HoOBOTAN を紹介する。 HOBOTANはCPUとGPUの両方をサポートし、GPUバージョンはPyTorchをベースに開発され、高速でスケーラブルなシステムを提供している。 本稿では,HOBOTANの設計,実装,性能評価,拡張性について述べる。
  論文  参考訳（メタデータ） (2024-07-29T13:20:11Z)
• Multi-GPU RI-HF Energies and Analytic Gradients $-$ Towards High Throughput Ab Initio Molecular Dynamics [0.0]
  本稿では,複数グラフィクス処理ユニット(GPU)を用いた高次ハートリー・フォックエネルギーと解析勾配の解法を最適化したアルゴリズムと実装を提案する。 このアルゴリズムは特に、中小分子(10-100原子)の高スループット初期分子動力学シミュレーションのために設計されている。
  論文  参考訳（メタデータ） (2024-07-29T00:14:10Z)
• 3-Regular 3-XORSAT Planted Solutions Benchmark of Classical and Quantum Heuristic Optimizers [0.30586855806896046]
  特定のコンピューティング集約的な課題に対処するための選択肢として、専用ハードウェアが登場した。 これらのプラットフォームには、デジタル論理の高効率ハードウェア実装から、新しいアルゴリズムを実装するアナログハードウェアの提案まで、多くの異なる特徴がある。 本研究では、解を効率的に見つけることができる線形方程式の特定のクラスの写像を用いて、これらの異なるアプローチのいくつかをベンチマークする。
  論文  参考訳（メタデータ） (2021-03-15T15:40:00Z)
• Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
  カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。 最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。 ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
  論文  参考訳（メタデータ） (2020-06-18T08:16:25Z)
• 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。