Quantum-Classical-Quantum Workflow in Quantum-HPC Middleware with GPU Acceleration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Achieving high-performance computation on quantum systems is challenging, requiring integration between quantum and classical computing resources. This study presents a distribution-aware Quantum-Classical-Quantum (QCQ) architecture that combines advanced quantum software frameworks with high-performance classical computing to improve quantum simulations for materials and condensed matter physics, including the prediction of quantum phase transitions. The architecture employs Variational Quantum Eigensolver (VQE) algorithms on Quantum Processing Units (QPUs) for efficient quantum state preparation, and Tensor Network states and Quantum Convolutional Neural Networks (QCNNs) on classical hardware for state classification. Utilizing the cuQuantum SDK and PennyLane's Lightning plugin, the QCQ architecture achieves up to tenfold increases in computational speed for complex phase transition classification tasks compared to traditional CPU-based methods, demonstrating 99.5% accuracy in predicting phase transitions in models like the transverse field Ising and XXZ systems. This framework integrates quantum algorithms, machine learning, and Quantum-HPC capabilities, offering transformative insights into the behavior of quantum systems across different scales. As quantum hardware continues to improve, the QCQ framework will play a crucial role in realizing the full potential of quantum computing by seamlessly integrating distributed quantum resources with state-of-the-art classical computing infrastructure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle