論文の概要: A GPU-Accelerated and Geometry-Aware Quantum-Classical Framework for Optimized PES Scans with CUDA-Q

• arxiv url: http://arxiv.org/abs/2611.01389v1
• Date: Sun, 01 Nov 2026 00:50:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:44:11.572764
• Title: A GPU-Accelerated and Geometry-Aware Quantum-Classical Framework for Optimized PES Scans with CUDA-Q
• Title（参考訳）: CUDA-Qを用いた最適化PSSスキャンのためのGPU・幾何学的量子古典的フレームワーク
• Abstract要約: 本稿では,ハイブリッド量子古典実行における適応的リソース割り当てのためのGPUアクセラレーションランタイムであるOptiPESSを提案する。 本稿では, 静的解析と適応スケジューリングが, 固定予算ループから予測的資源認識ランタイムへのコエグゼクティションをいかに変えるかを示す。
• 参考スコア（独自算出の注目度）: 1.8803964763103134
• License:
• Abstract: Hybrid quantum-classical workloads, particularly Potential Energy Surface (PES) scans in quantum chemistry using batched VQE and QAOA, involve many structurally similar Hamiltonians differing only in coefficients. Existing warm-start and meta-optimization strategies reuse parameters between instances but still consume fixed quantum-classical resources, ignoring cross-instance structural similarities. We present OptiPESS, a GPU-accelerated runtime system for adaptive resource allocation in hybrid quantum-classical execution. OptiPESS introduces the Locality-Occupancy-Variance (LOV) metric, a lightweight, geometry-aware measure of Hamiltonian similarity, coupled with efficient alignment and Pauli-classification passes. Using LOV, OptiPESS performs distance-aware scheduling of iteration and shot budgets, predicting which instances can be skipped, quick-solved, or fully optimized. Implemented atop CUDA-Q with persistent multi-GPU execution and near-linear scaling, OptiPESS reduces classical and quantum evaluations by up to 78.3\% and wall-time by up to 74.8\% while maintaining baseline accuracy. This demonstrates how lightweight static analysis and adaptive scheduling can transform quantum-classical co-execution from fixed-budget loops into a predictive, resource-aware runtime.
• Abstract（参考訳）: ハイブリッド量子古典的ワークロード、特にポテンシャルエネルギー表面(PES)は、バッチ化されたVQEとQAOAを使用して量子化学におけるスキャンを行い、多くの構造的に類似したハミルトン派が係数だけが異なる。 既存のウォームスタートおよびメタ最適化戦略は、インスタンス間でパラメータを再利用するが、依然として固定された量子古典的リソースを消費し、クロスインスタンス構造的類似性を無視している。 本稿では,ハイブリッド量子古典実行における適応的リソース割り当てのためのGPUアクセラレーションランタイムであるOptiPESSを提案する。 OptiPESSは、ハミルトニアン類似性の軽量かつ幾何学的に認識された測度であるLocality-Occupancy-Variance(LOV)メトリックを導入し、効率的なアライメントとパウリ分類パスを導入した。 LOVを使用すると、OptiPESSはイテレーションとショットの予算を遠隔でスケジューリングし、どのインスタンスをスキップするか、素早く解決するか、あるいは完全に最適化できるかを予測する。 CUDA-Q上に永続的なマルチGPU実行とニア線形スケーリングを実装したOptiPESSは、古典的および量子的評価を78.3\%、壁面時間は74.8\%まで削減し、ベースライン精度を維持している。 これは、量子古典的共実行を固定予算ループから予測可能なリソース対応ランタイムに変換するための、軽量な静的解析と適応スケジューリングの方法を示す。

関連論文リスト

• Automatic De-Quantization of Quantum Programs Using Constant Propagation [42.89658025409898]
  すべての量子演算は費用がかかるため、短期的なアルゴリズムにおける量子リソースの使用を最小限に抑えることが重要である。 本研究では、量子演算を可能な限り古典計算に非量子化することに焦点を当てる。 量子古典的定数伝播のためのハイブリッド状態モデルを形式化し、オープンソースのMQT Coreツールで最適化を実装し、ベンチマーク回路上で評価する。
  論文  参考訳（メタデータ） (2026-05-21T19:21:11Z)
• Quantum Optimization Methods for the Generalized Traveling Salesman Problem [2.4029307306254513]
  本稿では,汎用トラベリングセールスマン問題(GTSP)の量子最適化ベースラインについて検討する。 本稿では,量子アニールにおける実現可能な解の維持に焦点をあてた新しいGTSP QUBO の定式化を提案する。 我々は、理想回路モデルにおいて段階的にハミング重みを保持するXYミキサーを用いた制約付きQAOA変種を実装した。
  論文  参考訳（メタデータ） (2026-04-28T11:58:35Z)
• Practical lower bounds for hybrid quantum interior point methods in linear programming [0.0]
  量子インテリアポイント法(QIPMs)は、線形プログラミングの古典的解法よりも高速化を約束する。 従来のオープンソースHiGHSと比較して,QIPMパイプラインの実用的利点をすでに排除できるかどうかを評価する。 私はQIPMに最も優れた機能的解法QLSAを装備し、2つのニュートン系の定式化を評価する。
  論文  参考訳（メタデータ） (2026-04-27T11:54:23Z)
• Iterative Optimization with Partial Convergence Guarantees on Neutral Atom Quantum Computers [0.0]
  Lp-Qutsは、NAQCサンプルラーを古典的な切断平面アルゴリズムに統合するハイブリッド量子古典的フレームワークである。 我々は、Lp-Qutsを古典最適化フレームワークに効果的に組み込んで、量子資源を減らした準最適解を提供する方法を示す。
  論文  参考訳（メタデータ） (2026-03-30T19:12:21Z)
• Quantum Approximate Optimization Algorithm with Fixed Number of Parameters [0.0]
  我々は新しい量子最適化パラダイム、FPC-QAOA(Fixed-Count Approximate Quantum Optimization Algorithm)を導入する。 スケーラブルな変分フレームワークであり、量子ビットの数、ハミルトン複雑性、回路深さに関わらず、一定の数のトレーニング可能なパラメータを保持する。 我々は、ランダムなMaxCutインスタンスとTail Assignment ProblemのFPC-QAOAをベンチマークし、標準的なQAOAに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2025-12-24T14:02:31Z)
• Hybrid Sequential Quantum Computing [33.72751145910978]
  ハイブリッドシーケンシャル量子コンピューティング(HSQC)を導入する。 HSQCは古典的および量子的手法を構造化された段階的ワークフローに体系的に統合する。 スタンドアロンの古典的解法と比較すると、HSQCはSAの最大700倍、実行時の最大9倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-10-07T12:15:43Z)
• Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
  量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。 我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
  論文  参考訳（メタデータ） (2025-05-01T14:39:26Z)
• Warm-Start Variational Quantum Policy Iteration [39.04157716488156]
  強化学習は、非常に複雑な意思決定シナリオにおける最適な行動を決定するための強力なフレームワークである。 NISQ互換の量子化サブルーチンを用いて,変分量子ポリシー反復(VarQPI)アルゴリズムを提案する。 そのスケーラビリティは、一般的な強化学習環境の構造の分析によって支えられている。
  論文  参考訳（メタデータ） (2024-04-16T13:16:19Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。