論文の概要: Training quantum neural networks one job at a time
- arxiv url: http://arxiv.org/abs/2611.16365v1
- Date: Thu, 12 Nov 2026 06:27:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.376621
- Title: Training quantum neural networks one job at a time
- Title(参考訳): 量子ニューラルネットワークを一度に1つの仕事で訓練する
- Abstract要約: 我々は、同じジョブ数と1ジョブ当たりのショット数で与えられる量子ニューラルネットワーク分類器を比較した。
バッチ化されたパラメータシフトトレーニングでは,SPSAが必要とするジョブの5~5分の1が,24~48のパラメータに対して必要であることを示す。
新しい構造を意識したステンシル探索は、正弦波と同じ種類の行を読み出し、SPSAを打ち負かす。
- 参考スコア(独自算出の注目度): 0.12891210250935145
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: When a quantum processor is reached through a cloud queue, a variational algorithm pays for every round trip, and a single round trip can carry many circuits. The classical optimizer therefore decides how much is learned per job, not only per shot. We study this for a quantum neural network classifier. We compare optimizers that are given the same number of jobs and the same shots per job, and that differ only in how they fill each job. This comparison treats hybrid quantum-classical training as an execution-efficiency problem: how to obtain useful optimization progress from each costly interaction with a quantum processor. The resulting perspective connects optimizer design to overhead amortization and efficient use of accelerator resources. A direct port of a batched pattern search that worked for the quantum approximate optimization algorithm stalls once the model has a few dozen parameters. What does transfer is the principle behind it: fill each job with a batch of parameter vectors that is fixed before the job is sent. For circuits built from Pauli rotations the natural batch is the parameter-shift stencil. We show that its gradient error falls as the inverse of the shots per job, while the error of simultaneous-perturbation methods (SPSA) has a floor that no number of shots removes. In simulation, batched parameter-shift training needs between a fifth and a half of the jobs SPSA needs, for 24 to 48 parameters, and the ordering holds at two noise levels. A new structure-aware stencil search reads the same kind of rows as sinusoids and also beats SPSA. On IBM's ibm_fez processor, in three interleaved runs at six and eight qubits, the batched optimizer reached SPSA's final training loss within 4 to 20 of its 50 jobs. Its test accuracy was clearly higher at eight qubits; at six qubits the difference was not significant. All hardware numbers can be re-derived from the raw shots.
- Abstract(参考訳): 量子プロセッサがクラウドキューを介して到達すると、変動アルゴリズムはラウンドトリップ毎に支払い、単一のラウンドトリップは多くの回路を運ぶことができる。
したがって、古典的なオプティマイザは、ショット当たりだけでなく、ジョブ毎の学習量を決定する。
我々はこれを量子ニューラルネットワーク分類器として研究する。
同じ数のジョブと、同じショットをジョブ毎に与えるオプティマイザを比較します。
この比較では、ハイブリッド量子古典的トレーニングを実行効率の問題として扱う。
結果として得られる視点は、オプティマイザ設計とオーバヘッドのアモート化とアクセラレータリソースの効率的な利用を結びつける。
量子近似最適化アルゴリズムのために動作するバッチパターン探索の直接ポートは、モデルが数十のパラメータを持つと停止する。
各ジョブを、ジョブが送信される前に固定されたパラメータベクトルのバッチで満たす。
パウリ回転から構築された回路に対して、自然なバッチはパラメータシフトステンシルである。
また, 同時摂動法(SPSA)の誤差にはフロアがあり, ショット数が減少しない。
シミュレーションでは、SPSAが必要とするジョブの5分の1から半分、24~48のパラメータに対して、バッチされたパラメータシフトトレーニングが必要であり、順序付けは2つのノイズレベルに保持される。
新しい構造を意識したステンシル探索は、正弦波と同じ種類の行を読み出し、SPSAを打ち負かす。
IBMのibm_fezプロセッサでは、6ビットと8ビットでインターリーブされた3つの実行で、バッチ化されたオプティマイザは、50ジョブのうち4から20ジョブでSPSAの最終トレーニング損失に達した。
試験精度は8キュービットで明らかに高く,6キュービットでは差は認められなかった。
すべてのハードウェア番号は、生のショットから再抽出することができる。
関連論文リスト
- Batched pattern search for QAOA parameter optimization on cloud-accessed quantum hardware [0.0]
量子近似最適化(QAOA)の簡単な結果について検討する。
任意の結果が返される前に、次の試行パラメータのセットが知られているアルゴリズムは、1つのジョブでセット全体を評価することができる。
我々は,IBM の ibmfez プロセッサにおける逐次パターン探索と COBYLA との比較を行った。
論文 参考訳(メタデータ) (2026-09-12T02:51:48Z) - Heuristically optimizing, synthesizing, and prioritizing measurement settings for quantum state tomography [0.0]
量子計算応用における主要な課題は、任意の演算子の集合を効率的な測定のために可換部分集合に分割することである。
そこで我々は,演算子分割をグラフカラー化(GC)問題として再構成し,その解法として効率的な計算フレームワークを開発する。
当社のフレームワークは,演算子パーティショニングをベンチマークするGCアルゴリズムの幅広い利用を可能にします。
論文 参考訳(メタデータ) (2026-09-02T14:10:45Z) - 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) - Towards Accurate and Efficient Sub-8-Bit Integer Training [24.853958178296587]
量子化は、ニューラルネットワークトレーニングにおける低ビット幅フォーマットを可能にする。
最近の手法では、量子化器上での新しいデータフォーマットと追加の事前処理操作が開発されている。
高い精度と効率を同時に達成することは、依然として非常に難しい。
論文 参考訳(メタデータ) (2024-11-17T03:32:36Z) - EfficientQAT: Efficient Quantization-Aware Training for Large Language Models [50.525259103219256]
量子化対応トレーニング(QAT)は、低ビット表現によるメモリ消費を最小限の精度で削減することで、ソリューションを提供する。
より有効なQATアルゴリズムであるEfficient QAT(Efficient Quantization-Aware Training)を提案する。
効率的なQATは、全てのパラメータのブロックワイドトレーニング(Block-AP)と量子化パラメータのエンドツーエンドトレーニング(E2E-QP)の2つのフェーズを含む。
論文 参考訳(メタデータ) (2024-07-10T17:53:30Z) - beSnake: A routing algorithm for scalable spin-qubit architectures [1.351147045576948]
本稿では,スケーラブルなスピンキュービットアーキテクチャにおける複雑なキュービットルーティング問題に対処するために設計された,新しいアルゴリズムであるbeSnakeを紹介する。
BeSnakeは、最大72%の量子ビット密度で、様々なトポロジと障害物として働く量子ビット位置によって生じる制約を効果的に管理する。
我々のシミュレーションは、1000ドル相当の量子ビットを持つランダム回路や実量子アルゴリズム上の既存のルーティングソリューションに対して、beSnakeの利点を実証している。
論文 参考訳(メタデータ) (2024-03-24T11:08:40Z) - 8-bit Optimizers via Block-wise Quantization [57.25800395197516]
ステートフルズは、例えば過去の値の指数的滑らかな和(運動量付きSGD)や2乗和(アダム)など、時間の経過とともに統計を維持している。
この状態は、通常の勾配降下よりも最適化を加速するために使用することができるが、そうでなければモデルパラメータに割り当てられる可能性のあるメモリを使用する。
本稿では,32ビットの勾配状態を用いた場合の性能レベルを維持しながら,8ビット統計を用いた第1次勾配法を開発する。
論文 参考訳(メタデータ) (2021-10-06T15:43:20Z) - HANT: Hardware-Aware Network Transformation [82.54824188745887]
ハードウェア・アウェア・ネットワーク・トランスフォーメーション(HANT)を提案する。
HANTは、ニューラルネットワーク検索のようなアプローチを使用して、非効率な操作をより効率的な代替手段に置き換える。
EfficientNetファミリの高速化に関する我々の結果は、ImageNetデータセットのトップ1の精度で最大3.6倍、0.4%の低下でHANTがそれらを加速できることを示している。
論文 参考訳(メタデータ) (2021-07-12T18:46:34Z) - Parameter-Efficient Transfer Learning with Diff Pruning [108.03864629388404]
diff pruningは、プリトレイン・ファインチューンフレームワーク内でパラメータ効率の高い転送学習を可能にするシンプルなアプローチです。
diff pruningで微調整されたモデルは、GLUEベンチマークで完全に微調整されたベースラインのパフォーマンスと一致します。
論文 参考訳(メタデータ) (2020-12-14T12:34:01Z)
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。