トポロジー認識パーティションマッピングにより、量子プロセッサ上での同時独立回路実行を可能にする方法を実証。GPUシミュレータ上で13.8倍の高速化、IBMの156キュービットプロセッサ上で3.5~5.5倍の高速化を達成し、83~92%のフィデリティを保持。

トポロジー認識パーティションマッピングにより、量子プロセッサ上での同時独立回路実行を可能にする方法を実証。GPUシミュレータ上で13.8倍の高速化、IBMの156キュービットプロセッサ上で3.5~5.5倍の高速化を達成し、83~92%のフィデリティを保持。
Demonstrates topology-aware partition mapping enabling simultaneous independent circuit execution on quantum processors. Achieves 13.8× speedup on GPU simulators and 3.5–5.5× on IBM's 156-qubit processor while retaining 83–92% fidelity.
רשתות נוירוניות קוונטיות וירטואליות מרחיבות QNNs על ידי שימוש בדגימה אקראית ועיבוד קלאסי כדי להגדיל את מרחב האופטימיזציה מ-CPTP maps ל-Hermitian-preserving maps. מדגימה ביטוי משופר ועמידות רעש משופרת על פני הנחתת שגיאות, סיווג בינארי...
Pesquisadores mostram que o gargalo de desempenho do PCE é a treinabilidade, não a expressividade. Um novo framework de otimização multiestágio alcançando resultados competitivos em grandes problemas de Max-Cut com o mínimo de qubits.
חוקרים מראים שצוואר הבקבוק בביצועים של PCE הוא יכולת הכשרה ולא ביעיות. מסגרת אופטימיזציה רב-שלבית חדשה המשיגה תוצאות תחרותיות בבעיות Max-Cut גדולות עם קיוביטים מינימליים.
Các nhà nghiên cứu chỉ ra rằng điểm nghẽn hiệu suất của PCE là khả năng huấn luyện, không phải khả năng biểu hiện. Một framework tối ưu hóa đa giai đoạn mới đạt được kết quả cạnh tranh trên các bài toán Max-Cut lớn với số lượng qubit tối thiểu.
Исследователи показывают, что узким местом производительности PCE является обучаемость, а не выразительность. Новая многоэтапная система оптимизации достигает конкурентоспособных результатов на больших задачах Max-Cut с минимальным количеством кубитов.
Forscher zeigen, dass PCEs Leistungsengpass die Trainierbarkeit ist, nicht die Expressivität. Ein neues mehrstufiges Optimierungsrahmenwerk, das wettbewerbsfähige Ergebnisse bei großen Max-Cut-Problemen mit minimalen Qubits erreicht.
Los investigadores demuestran que el cuello de botella del desempeño de PCE es la entrenabilidad, no la expresividad. Un nuevo marco de optimización multietapa que logra resultados competitivos en problemas de Max-Cut grandes con qubits mínimos.
Researchers show PCE's performance bottleneck is trainability, not expressivity. A new multistage optimization framework achieving competitive results on large Max-Cut problems with minimal qubits.
חוקרים הדגימו סובלנות רעש גבוהה פי 10: מפות תכונות קוונטיות בהשראת אמפליטודה שמרו על דיוק של 100% עד לשיעורי שגיאה של 10% על פני ערוצי רעש מרובים, ועלו בהרבה על שיטות קידוד אחרות בחומרה קוונטית בטווח הקרוב.