論文の概要: Quantum Data Processing Unit for Neutral-Atom Quantum Computers
- arxiv url: http://arxiv.org/abs/2611.17652v1
- Date: Fri, 13 Nov 2026 01:57:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.29024
- Title: Quantum Data Processing Unit for Neutral-Atom Quantum Computers
- Title(参考訳): 中性原子量子コンピュータのための量子データ処理ユニット
- Abstract要約: 量子コンピュータは、測定データをデバイス固有のタイミング制約内でフィードバックに変換するために、リアルタイムの古典的処理を必要とする。
本稿では,量子デバイスとそのコントローラ間のアーキテクチャである量子データ処理ユニット(QDPU)を紹介する。
- 参考スコア(独自算出の注目度): 0.5863360388454261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers need real-time classical processing to convert measurement data into feedback within device-specific timing constraints. We introduce the quantum data processing unit (QDPU), an architecture between a quantum device and its controller. Its core is a machine-learned quantum data model (QDM), adapted to the measurement response and noise characteristics of the device. We implement an FPGA pipeline for neutral-atom array assembly that performs occupancy detection and rearrangement scheduling in FPGA logic. One calibrated matched-filter lane classifies a $50\times50$ array in 12.5 $μ$s. An atom-loss model using a software reference planner evaluates a $35\times35$ target with a 60 s trap lifetime and 0.1% loss per moved atom. Removing an assumed 150 ms host round trip raises the predicted assembly success from 8% to 85% and reduces the wall-clock time per successful assembly from 19 s to 0.16 s. A GPU-based outer loop is proposed for refitting model parameters between runs. Its NVQLink transport is measured on the board: over 10 GbE to an NVIDIA DGX Spark, the median FPGA-to-host-to-FPGA round trip is 2.74 $μ$s for 128-byte messages forwarded by a CPU core. A separate 12-bit learned qLDPC kernel is placed and routed for the same FPGA target, with a derived latency of 0.84 ms per round for a $[[1122,148]]$ lifted-product code under code-capacity noise. A quantised GraphMP ranking kernel for the same code runs on the board with a median host-to-FPGA-to-host latency of 50.5 $μ$s with one shot in flight, excluding host-side BP+OSD post-processing. Together, these implementations illustrate a shared architecture with workload-specific models and timing requirements.
- Abstract(参考訳): 量子コンピュータは、測定データをデバイス固有のタイミング制約内でフィードバックに変換するために、リアルタイムの古典的処理を必要とする。
本稿では,量子デバイスとそのコントローラ間のアーキテクチャである量子データ処理ユニット(QDPU)を紹介する。
そのコアは、デバイスの測定応答とノイズ特性に適応した、マシン学習量子データモデル(QDM)である。
我々は中性原子配列アセンブリのためのFPGAパイプラインを実装し、FPGA論理における占有検出と再配置スケジューリングを行う。
1つのキャリブレーションされたマッチングフィルタレーンは、12.5$μ$sで50\times50$配列を分類する。
ソフトウェアレファレンスプランナーを用いた原子ロスモデルは、60秒のトラップ寿命と移動原子当たり0.1%の損失を持つ35\times35$ターゲットを評価する。
推定150msのホストラウンドトリップを取り外すことで、予測される組立成功率が8%から85%に上昇し、成功した組立1回あたりのウォールタイム時間を19秒から0.16秒に短縮する。
実行中のモデルパラメータを調整するためのGPUベースの外ループが提案されている。
NVIDIA DGX Sparkへの10GbE以上の転送は、CPUコアによって転送される128バイトのメッセージに対して2.74$μ$sである。
12ビットの学習されたqLDPCカーネルを同じFPGAターゲットに配置してルーティングし、コード容量ノイズの下で1ラウンドあたり0.84msの遅延を$[[1122,148]$ lifted-product code とする。
同じコードに対する量子化されたGraphMPランキングカーネルは、ホスト側BP+OSD後処理を除いて、飛行中に1ショットで50.5$μ$sの中央値のホスト-FPGA-ホスト間のレイテンシでボード上で実行される。
これらの実装は共に、ワークロード固有のモデルとタイミング要件を備えた共有アーキテクチャを示している。
関連論文リスト
- The energetic cost of loading classical data in quantum computers [42.756749973231926]
超伝導プロセッサ上での量子ランダムアクセスメモリ(QRAM)クエリの動的エネルギーコストを定量化する。
線形深度多重化器と耐雑音性バケット・ブリガドアーキテクチャを解析する。
最適化により、固定目標忠実度において、動作点と減衰プロファイルが平均電力を2つ以上の係数で変化させることができることを示す。
論文 参考訳(メタデータ) (2026-11-10T18:00:05Z) - Engineering Low-Latency, High-Throughput Quantum Decoders on NVIDIA GPUs [0.05882087655172317]
NVIDIA GPUのための量子エラー補正(QEC)デコーダの設計と最適化を行う。
我々は、最先端のメッセージパッシングアルゴリズムであるRelay belief propagationと、オーダーゼロの順序付き統計処理を組み合わせた。
我々の実装では、バイナリグラフを使用して実行を制御し、収束したサンプルの更新を停止し、未解決のサンプルを後処理のキューに集めています。
論文 参考訳(メタデータ) (2026-10-20T19:38:22Z) - Experimental Benchmarking of a 256-Qubit Room-Temperature NV-Diamond Quantum Processor with an Optically Programmable Biomolecular Quantum Bus [0.6999740786886536]
ゼウス256(Zeus-256)は、室温窒素空洞(NV)ダイアモンドプロセッサで、256個のアクティブなプロセッサレベルの論理量子ビットを持つ。
各論理量子ビットは、NV電子スピンアンサンブルと核スピンメモリと補助資源を結合する。
OpenQASM 2.0回路はRFSoC制御マイクロ波、高周波、光、タイミング、測定、バス構成シーケンスに変換される。
論文 参考訳(メタデータ) (2026-10-13T12:10:06Z) - QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
QuPIDは、量子パラメータ効率の入力依存型検索適応である。
凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。
凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
論文 参考訳(メタデータ) (2026-09-27T08:22:58Z) - Python in the front, party in the Backline: compiling quantum workloads across CPUs, GPUs, and FPGAs [1.4035981933195663]
私たちは、PennyLaneとCatalyst内に構築された異種コンパイルおよびランタイムフレームワークであるBacklineを紹介します。
Backlineを使えば、高性能で低レイテンシなデバイスのための量子古典的なワークロードを設計、構築できます。
我々は、低レイテンシのデータ移動を伴ういくつかの量子ワークロードのコンパイルと実行を実演する。
論文 参考訳(メタデータ) (2026-09-08T18:00:00Z) - 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) - FlexLLM: Composable HLS Library for Flexible Hybrid LLM Accelerator Design [40.39807270881305]
ドメイン固有のLCM加速器を迅速に開発するための構成可能な高レベル合成ライブラリFlexLLMを提案する。
我々はLlama-3.2 1Bモデルの完全な推論システムを,たった1K行のコードで2ヶ月以内に構築する。
16nmのAMD U280 FPGAでは、1.29$times$エンドツーエンドのスピードアップ、1.64$times$高デコードスループット、3.14$times$BF16推論を実行しているNVIDIA A100 GPUよりもエネルギー効率が良い。
論文 参考訳(メタデータ) (2026-01-22T07:31:51Z) - A Cost-Efficient FPGA Implementation of Tiny Transformer Model using Neural ODE [0.8403582577557918]
Transformerは画像認識タスクに採用され、トレーニングコストと計算複雑性に悩まされているが、CNNやRNNよりも優れていた。
本稿では,ResNetの代わりにNeural ODEをバックボーンとして使用する軽量ハイブリッドモデルを提案する。
提案モデルは,エッジコンピューティングのための最小サイズのFPGAデバイス上に展開される。
論文 参考訳(メタデータ) (2024-01-05T09:32:39Z) - LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy
Physics [45.666822327616046]
本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。
LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
論文 参考訳(メタデータ) (2022-09-28T12:55:35Z)
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。