論文の概要: Benchmark Study for Quantum Statevector Simulators for Scientific Computing
- arxiv url: http://arxiv.org/abs/2611.01176v1
- Date: Sat, 31 Oct 2026 18:26:28 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:18:46.137561
- Title: Benchmark Study for Quantum Statevector Simulators for Scientific Computing
- Title（参考訳）: 科学計算のための量子状態ベクトルシミュレータのベンチマーク研究
- Abstract要約: 我々は,2次元量子音響波方程式の状態ベクトルシミュレーションにおいて,オープンソースの3つの量子回路シミュレータをベンチマークした。
評価は、CPUランタイム対キュービットカウント、27キュービットのマルチコアCPUの強力なスケーラビリティ、ランタイム対キュービットカウント、GPU-over- CPUスピードアップの4つのカテゴリにまたがる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Quantum circuit simulators are essential for quantum algorithm development, yet systematic runtime benchmarks comparing major frameworks across CPU and GPU backends are limited. We benchmark three open-source frameworks - Cirq (qsim), CUDA-Q, and Qiskit (Aer) - on statevector simulation of the 2D quantum acoustic wave equation, evolved via Trotterized Hamiltonian dynamics, for problem sizes from 7 to 29 qubits on a single Azure virtual machine. The evaluation spans four categories: CPU runtime versus qubit count, strong scalability on multi-core CPUs at 27 qubits, GPU runtime versus qubit count, and GPU-over-CPU speedup. Relative rankings shift from one category to the next. On CPU, Cirq is fastest up to 23 qubits (2.4x faster than Qiskit at 21 qubits), but Qiskit overtakes it at larger sizes and higher thread counts, sustaining 80% parallel efficiency at 16 threads. On GPU, CUDA-Q leads between 13 and 21 qubits, while Cirq becomes the fastest GPU backend at large problem sizes, achieving 1.5x and 2.3x speedups over CUDA-Q and Qiskit at 29 qubits. GPU-over-CPU speedup ratios should be interpreted alongside absolute GPU runtimes; CUDA-Q's 1500x at 21 qubits is largely driven by the limited scaling of its CPU backend (qpp), and the absolute GPU runtimes show that the three frameworks' GPU backends differ by less than these ratios alone suggest. These results indicate that no single framework dominates across configurations, and that backend selection for statevector simulation should be guided by both target hardware and problem size.
- Abstract（参考訳）: 量子回路シミュレータは量子アルゴリズム開発には不可欠だが、CPUとGPUバックエンドをまたいだ主要なフレームワークを比較する、体系的なランタイムベンチマークは限られている。
2次元量子音響波動方程式のステートベクターシミュレーションについて、Trotterized Hamiltonian dynamicsを用いて、単一のAzure仮想マシン上の7から29キュービットまでの問題サイズについて、Cirq(qsim)、CUDA-Q、Qiskit(Aer)の3つのオープンソースフレームワークをベンチマークした。
評価は、CPUランタイム対キュービット数、27キュービットのマルチコアCPUの強力なスケーラビリティ、GPUランタイム対キュービット数、GPU-over-CPUスピードアップの4つのカテゴリにまたがる。
相対ランクは、あるカテゴリーから次のカテゴリーにシフトする。
CPUでは、Cirqは最大23キュービット(21キュービットでQiskitより2.4倍高速)で高速だが、Qiskitはより大きなサイズと高いスレッド数でそれを上回り、16スレッドで80%の並列効率を維持している。
GPUではCUDA-Qが13から21キュービットでリードし、Cirqは大きな問題サイズで最速のGPUバックエンドとなり、CUDA-QとQiskitを29キュービットで1.5倍と2.3倍のスピードアップを達成した。
CUDA-Qの 1500x at 21 qubits は、CPUバックエンド(qpp)の限定的なスケーリングによって主に駆動され、絶対的なGPUランタイムは、3つのフレームワークのGPUバックエンドが、これらの比率だけで示しているよりも少なくなることを示している。
これらの結果から,ステートベクタシミュレーションのバックエンド選択は,対象ハードウェアと問題サイズの両方で導出されるべきであることが示唆された。
関連論文リスト
- 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) - Multi-GPU Quantum Circuit Simulation and the Impact of Network Performance [0.7340017786387767]
我々は、HPCシステム上でのベンチマークを容易にするため、QED-C Application-Oriented BenchmarksにMPIを導入する。
我々は最近のNVIDIA Grace Blackwell NVL72アーキテクチャを含む様々な相互接続パスを用いてベンチマークを行った。
GPUアーキテクチャの改善は4.5倍以上のスピードアップにつながったが、相互接続性能の進歩は16倍以上のパフォーマンス改善によるソリューションのソリューション化に大きな影響を与えている。
論文 参考訳（メタデータ） (2025-11-18T17:04:28Z) - Q-GEAR: Improving quantum simulation framework [0.28402080392117757]
本稿では,Qiskit量子回路をCuda-Qカーネルに変換するソフトウェアフレームワークであるQ-Gearを紹介する。
Q-GearはCPUとGPUベースのシミュレーションをそれぞれ、最小のコーディング労力で2桁と10倍に高速化する。
論文 参考訳（メタデータ） (2025-04-04T22:17:51Z) - INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order
Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。
InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。
1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
論文 参考訳（メタデータ） (2023-08-11T04:24:39Z) - Enabling Multi-threading in Heterogeneous Quantum-Classical Programming
Models [53.937052213390736]
量子カーネルの並列実行を可能にするために,C++ベースの並列コンストラクトを導入する。
予備的な性能の結果は、カーネル毎に12スレッドのベルカーネルを2回実行し、カーネルを次々に実行する並列性能が向上したことを示している。
論文 参考訳（メタデータ） (2023-01-27T06:48:37Z) - Performance Evaluation and Acceleration of the QTensor Quantum Circuit
Simulator on GPUs [6.141912076989479]
我々は、NumPy、PyTorch、CuPyのバックエンドを実装し、ベンチマークを行い、CPUまたはGPUにテンソルシミュレーションの最適な割り当てを見つける。
ベンチマークしたQAOA回路のCPU上のNumPyベースライン上でのGPUの高速化により,MaxCut問題を解く。
論文 参考訳（メタデータ） (2022-04-12T19:03:44Z) - PLSSVM: A (multi-)GPGPU-accelerated Least Squares Support Vector Machine [68.8204255655161]
Support Vector Machines (SVM) は機械学習で広く使われている。
しかし、現代的で最適化された実装でさえ、最先端ハードウェア上の大きな非自明な高密度データセットにはうまくスケールしない。
PLSSVMはLVMのドロップイン代替として使用できる。
論文 参考訳（メタデータ） (2022-02-25T13:24:23Z) - Fast quantum circuit simulation using hardware accelerated general
purpose libraries [69.43216268165402]
CuPyは、GPUベースの量子回路向けに開発された汎用ライブラリ(線形代数)である。
上位回路の場合、スピードアップは約2倍、量子乗算器の場合、最先端のC++ベースのシミュレータと比べて約22倍である。
論文 参考訳（メタデータ） (2021-06-26T10:41:43Z) - Efficient and Generic 1D Dilated Convolution Layer for Deep Learning [52.899995651639436]
幅広いパラメータをカバーする汎用的な1D畳み込み層の効率的な実装を紹介します。
特にIntel AVX-512とAVX-512 BFloat16命令を含むアーキテクチャ向けに最適化されている。
本稿では,最適化された1次元畳み込み層の性能を,実際のゲノミクスデータセットを用いたエンドツーエンドニューラルネットワークトレーニングで実証する。
論文 参考訳（メタデータ） (2021-04-16T09:54:30Z) - Efficient Video Semantic Segmentation with Labels Propagation and
Refinement [138.55845680523908]
本稿では,ハイブリッドGPU/CPUを用いた高精細ビデオのリアルタイムセマンティックセマンティックセマンティック化の問題に取り組む。
i) CPU上では、非常に高速な光フロー法であり、ビデオの時間的側面を利用して、あるフレームから次のフレームへ意味情報を伝達するために使用される。
高解像度フレーム(2048 x 1024)を持つ一般的なCityscapesデータセットでは、単一のGPUとCPU上で80から1000Hzの動作ポイントが提案されている。
論文 参考訳（メタデータ） (2019-12-26T11:45:15Z)
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。