Learning to Rank Tensor Network Contraction Plans for GPU-Accelerated Quantum Circuit Simulation
Dit artikel introduceert een learning-to-rank-framework dat gebruikmaakt van gradient-boosted modellen getraind op GPU-prestatiegegevens om efficiënt optimale tensor netwerk contractieplannen te selecteren voor kwantumcircuitsimulatie, waarbij een verbeterde beslissingskwaliteit wordt aangetoond ten opzichte van traditionele baselines terwijl de robuustheid over verschillende GPU-architecturen behouden blijft.