[論文レビュー] TensorCircuit-NG: A Universal, Composable, and Scalable Platform for Quantum Computing and Quantum Simulation

Shi-Xin Zhang, Yu-Qin Chen+23 more|arXiv (Cornell University)|Feb 15, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

TensorCircuit-NGは、量子回路、テンソルネットワーク、ニューラルネットワークを統合した次世代のAIネイティブプラットフォームを提供する differentiable なテンソルネイティブフレームワークで、分散計算とバックエンド間の相互運用性を実現します。エンドツーエンドのQML、アナログ・ノイズ対応シミュレーション、およびHPCクラスター上でのスケーラブルなテンソルネットワーク縮約を可能にします。

ABSTRACT

We present TensorCircuit-NG, a next-generation quantum software platform designed to bridge the gap between quantum physics, artificial intelligence, and high-performance computing. Moving beyond the scope of traditional circuit simulators, TensorCircuit-NG establishes a unified, tensor-native programming paradigm where quantum circuits, tensor networks, and neural networks fuse into a single, end-to-end differentiable computational graph. Built upon industry-standard machine learning backends (JAX, TensorFlow, PyTorch), the framework introduces comprehensive capabilities for approximate circuit simulation, analog dynamics, fermion Gaussian states, qudit systems, and scalable noise modeling. To tackle the exponential complexity of deep quantum circuits, TensorCircuit-NG implements advanced distributed computing strategies, including automated data parallelism and model-parallel tensor network slicing. We validate these capabilities on GPU clusters, demonstrating a near-linear speedup in distributed variational quantum algorithms. TensorCircuit-NG enables flagship applications, including end-to-end QML for CIFAR-100 computer vision, efficient pipelines from quantum states to neural networks via classical shadows, and differentiable optimization of tensor network states for many-body physics.

研究の動機と目的

• 量子回路、テンソルネットワーク、ニューラルネットワークを統合し、微分可能な計算グラフに組み込む統一的なテンソルネイティブプラットフォームを作成する。
• 高次元のqudit系、フェルミオンガウシ状態、アナログダイナミクス、および現実的な量子シミュレーションのための柔軟なノイズモデリングをサポートする。
• データパラレル性とモデルパラレルテンソルネットワークスライシングを備えたHPC対応のスケーラブル分散計算を提供する。
• 既存の量子・テンソルネットワークエコシステムおよびバックエンド（例：JAX、TensorFlow、PyTorch、Qiskit、OpenQASM）とのシームレスな相互運用性を実現する。
• AIネイティブな開発ツールと、量子研究と教育を加速するコミュニティ主導のリソースを提供する。

提案手法

• ハードウェア、数値バックエンド、計算パラダイム（AD、JIT、VMAP）、コアテンソル抽象化、物理モデリングを統合する5層アーキテクチャを導入する。
• 状態、ゲート、ノイズを第一級テンソルとして扱うテンソルネイティブ表現を採用し、微分可能な量子モデリングを可能にする。
• 複数のMLフレームワークをDLPack経由で結ぶネイティブバックエンドインターフェースを提供し、ゼロコピーCross-Framework実行を実現する。
• 大規模な量子回路のために、厳密解、ノイズ、MPS、安定化子などのマルチパラダイムソルバーとデータ並列・モデル並列を用いた分散縮約を実装する。
• 翻訳ユーティリティと領域特化の統合（TenCirChem-NG、テンソルネットワーク翻訳、Qiskit/OpenQASM相互運用性）を提供し、柔軟なワークフローを実現する。
• CIFAR-100上でのQML、古典的シャドウパイプライン、テンソルネットワーク状態の微分可能最適化など、エンドツーエンドのユースケースを実証する。

実験結果

リサーチクエスチョン

• RQ1 バックエンドにロックインされることなく、量子物理、AI、高性能計算を1つの微分可能なプラットフォームに統合する方法は？
• RQ2 テンソルネイティブ表現と分散テンソル縮約は、現実的なノイズとダイナミクスを伴う深い量子回路のスケーラブルなシミュレーションを可能にするか？
• RQ3 JAX、TensorFlow、PyTorchなどのフレームワーク間で、ゼロコピー相互運用性を持つ古典MLパイプラインと量子層をどの程度効果的に統合できるか？
• RQ4 大規模HPCリソース上でのエンドツーエンドQMLと多体物理モデリングの実用的な能力と限界は？
• RQ5 オープンなエコシステム（Qiskit、OpenQASM、TeNPy、Quimb、TenCirChem-NG）を橋渡しして、ハイブリッド量子古典ワークフローをサポートできるか？

主な発見

• TensorCircuit-NGはGPUクラスター上の分散変分量子アルゴリズムでほぼ線形のスピードアップを達成する。
• このプラットフォームはCIFAR-100のエンドツーエンドQMLと、量子状態から古典的シャドウを介してニューラルネットワークへとつながるパイプラインをサポートする。
• テンソルネットワーク状態の多体物理モデリングのための微分可能最適化と、解析的・安定化子・MPS・ノイズ対応の柔軟なシミュレーションエンジンを実現する。
• AIネイティブな開発機能（DeepWiki、エージェント指向のドキュメント、実行可能なサンプルを含むリポジトリ）は、AI補助による研究と再現性の高いワークフローを促進する。
• クロスフレームワーク相互運用性により、ゼロコピーのデータ転送を用いてPyTorch、TensorFlow、JAX間でネイティブバックエンドとハイブリッド量子古典層を実現する。