論文の概要: ArcTN: Efficient Tensor-Network Contraction Planning for Quantum Circuit Simulation
- arxiv url: http://arxiv.org/abs/2610.31554v2
- Date: Fri, 23 Oct 2026 15:00:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.24102
- Title: ArcTN: Efficient Tensor-Network Contraction Planning for Quantum Circuit Simulation
- Title（参考訳）: ArcTN: 量子回路シミュレーションのための効率的なテンソルネットワーク契約計画
- Abstract要約: 提案するArcTNは,2つの検索プリセットを持つ制約順序最適化フレームワークである。
どちらもランダム化グレディ構成、サブツリー再構成、およびステージ固有の停止規則と並列テンパリングを組み合わせたものである。
光はFLOPを61.32%削減し、コテングラ・オート/CMA-ESより1.62$times$、ヘビーは43.83%削減し、コテングラ・オート本社/オプトゥナより7.21$times$速くする。
- 参考スコア（独自算出の注目度）: 23.264027196847973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tensor-network simulation of quantum circuits depends on contraction orders with low computational cost and small intermediate tensors, found without excessive planning time. We present ArcTN, a contraction-order optimization framework with two search presets. Light keeps planning overhead low, and Heavy spends more effort on refinement. Both combine randomized-greedy construction, subtree reconfiguration, and parallel tempering with stage-specific stopping rules. ArcTN also provides Fixed and Dynamic slicing to meet tensor-size limits and executes the returned orders. On the 30 QC32 quantum-circuit networks completed by all eight compared configurations, Light reduces FLOPs by 61.32% and plans 1.62$\times$ faster than Cotengra Auto/CMA-ES, and Heavy reduces FLOPs by 43.83% and plans 7.21$\times$ faster than Cotengra AutoHQ/Optuna. Heavy also needs 11.85% fewer FLOPs than OMECO TreeSA-8 and plans 1.33$\times$ faster. Dynamic slicing meets the size limits in all 90 runs on 18 scalar-output networks and reduces total sliced FLOPs by 31.99% relative to Fixed slicing, at the cost of longer planning. With a common NumPy executor, Heavy has the lowest combined planning and execution time among five configurations on the runs that all of them completed. On 672 networks built from 320 MQT Bench circuits, Heavy obtains the lowest geometric-mean FLOPs on the 142 large networks while planning 3.1$\times$ and 31$\times$ faster than Cotengra AutoHQ and Hyper128.
- Abstract（参考訳）: 量子回路のテンソル・ネットワークシミュレーションは、計算コストが低く、中間テンソルが小さい収縮順序に依存するが、過剰な計画時間がない。
提案するArcTNは,2つの検索プリセットを持つ制約順序最適化フレームワークである。
光は計画のオーバーヘッドを低く保ち、ヘビーは改良により多くの労力を費やす。
どちらもランダム化グレディ構成、サブツリー再構成、およびステージ固有の停止規則と並列テンパリングを組み合わせたものである。
ArcTNはまた、テンソルサイズの制限を満たす固定スライシングと動的スライシングを提供し、返却された注文を実行する。
8つの比較された構成で完成した30のQC32量子回路ネットワークでは、LightはFLOPを61.32%削減し、Cotengra Auto/CMA-ESよりも1.62$\times$、Hereは43.83%削減し、7.21$\times$をCotengra AutoHQ/Optunaより高速に計画している。
HeavyはOMECO TreeSA-8よりもFLOPを11.85%少なくし、1.33$\times$高速に計画している。
ダイナミックスライシングは18のスカラーアウトプットネットワーク上での全90回の実行においてサイズ制限を満たし、固定スライシングと比較して合計FLOPを31.99%削減する。
一般的なNumPyエグゼキュータでは、すべての実行が完了した5つの構成の中で、Heavreは計画と実行の結合時間が最も低い。
320 MQT の Bench 回路で構築された 672 のネットワークでは、Here は 142 の大規模ネットワークで最低の幾何平均 FLOP を取得し、Cotengra AutoHQ や Hyper128 よりも3.1$\times$ と 31$\times$ を計画している。
関連論文リスト
- Parallelizing Large-Scale Tensor Network Contraction on Multiple GPUs [3.1427737822791797]
本稿では,中間テンソルを明示的な通信でデバイスに分散するマルチGPUフレームワークを提案する。
1つのDGX H100ノード内において、ディストリビューションは、恥ずかしく並列スライシングを超えた追加のスピードアップを7ドルから173タイムで提供する。
論文 参考訳（メタデータ） (2026-06-01T08:02:29Z) - Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities [2.449235776276883]
本稿では、車間通信(V2V)と車間通信(V2I)を協調的に最適化する量子インスパイアされたフレームワークQIVNOMを提案する。
その結果、QIVNOMは平均エンドツーエンドのレイテンシを57.3msに減らし、最高のベースラインよりも約20%低くした。
論文 参考訳（メタデータ） (2026-03-26T03:04:50Z) - TorR: Towards Brain-Inspired Task-Oriented Reasoning via Cache-Oriented Algorithm-Architecture Co-design [8.718677293812712]
CLIP上のタスク指向オブジェクト検出は、オープンボキャブラリ、プロンプト駆動型セマンティクス、ウィンドウごとの高密度な計算、重メモリトラフィックにより、リアルタイムで電力制限のあるエッジデプロイメントを妨げている。
EmphTorRは脳にインスパイアされたtextbfalgorithm-architecture の共設計で,CLIP スタイルの高次アライメントを高次元(HDC)アソシエーション推論器に置き換え,時間的コヒーレンスを再利用する。
論文 参考訳（メタデータ） (2026-03-24T06:50:32Z) - Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。
1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。
その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
論文 参考訳（メタデータ） (2025-07-01T18:46:27Z) - A 71.2-$μ$W Speech Recognition Accelerator with Recurrent Spiking Neural Network [0.0502254944841629]
本稿では,2つの繰り返し層と1つの完全連結層,低時間ステップを有する小型の繰り返しスパイクニューラルネットワークを提案する。
2.79MBモデルでは、プルーニングと4ビットの固定点量子化が行われ、96.42%から0.1MBに縮小した。
このデザインは100kHzでリアルタイムに動作し、71.2 mu$Wを消費し、最先端の設計を上回っている。
論文 参考訳（メタデータ） (2025-03-27T10:14:00Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-13T03:56:22Z) - TCNCA: Temporal Convolution Network with Chunked Attention for Scalable
Sequence Processing [52.64837396100988]
MEGAは最近のトランスフォーマーベースのアーキテクチャで、線形リカレント演算子を使用し、並列計算はFFTに基づいて、$O(LlogL)$で、$L$はシーケンス長である。
線形再帰を特別な時間的畳み込みネットワークに置き換えることで、より浅いネットワークでより大きい受容場を許容し、計算複雑性を$O(L)$に減らし、それらのアプローチを構築する。
我々は,EnWik8言語モデリングにおけるTCNCA,LRA(Long-range-arena)シーケンス分類,および合成推論ベンチマーク連想リコールの評価を行った。
論文 参考訳（メタデータ） (2023-12-09T16:12:25Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳（メタデータ） (2023-01-31T16:43:53Z) - RAMP: A Flat Nanosecond Optical Network and MPI Operations for
Distributed Deep Learning Systems [68.8204255655161]
我々は、RAMPと呼ばれるナノ秒再構成による、ほぼスケール、全2分割帯域、オールツーオール、シングルホップ、オール光学ネットワークアーキテクチャを導入する。
RAMPは、最大65,536ノードで1ノードあたり12.8Tbpsの大規模分散並列コンピューティングシステムをサポートしている。
論文 参考訳（メタデータ） (2022-11-28T11:24:51Z)
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。