Fugu-MT 論文翻訳(概要): BosonSampling.jl: A Julia package for quantum multi-photon interferometry

論文の概要: BosonSampling.jl: A Julia package for quantum multi-photon interferometry

arxiv url: http://arxiv.org/abs/2212.09537v2
Date: Mon, 29 Apr 2024 09:00:10 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 03:37:12.895182
Title: BosonSampling.jl: A Julia package for quantum multi-photon interferometry
Title（参考訳）: BosonSampling.jl:量子多光子干渉計のためのJuliaパッケージ
Authors: Benoit Seron, Antoine Restivo,
Abstract要約: 本稿では,高速シミュレーションおよびボソンサンプリング器の数値解析のためのフリーオープンソースパッケージと,より一般的には多光子干渉法について述べる。私たちのパッケージはJuliaで書かれており、簡単に表記できるCライクなパフォーマンスと高速でハイレベルなコーディングを実現しています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a free open source package for high performance simulation and numerical investigation of boson samplers and, more generally, multi-photon interferometry. Our package is written in Julia, allowing C-like performance with easy notations and fast, high-level coding. Underlying building blocks can easily be modified without complicated low-level language modifications. We present a great variety of routines for tasks related to boson sampling, such as statistical tools, optimization methods, classical samplers and validation tools.
Abstract（参考訳）: 本稿では、高速シミュレーションとボソンサンプリング器の数値解析のためのフリーオープンソースパッケージと、より一般的にはマルチ光子干渉計について述べる。私たちのパッケージはJuliaで書かれており、簡単に表記できるCライクなパフォーマンスと高速でハイレベルなコーディングを実現しています。下位のビルディングブロックは、複雑な低レベルの言語修正なしで容易に変更できる。本稿では,統計ツール,最適化手法,古典的サンプリング器,検証ツールなど,ボソンサンプリングに関連するタスクに対する多種多様なルーチンを提案する。

関連論文リスト

Quasi-random Multi-Sample Inference for Large Language Models [1.647759094903376]
大規模言語モデル(LLM)は、しばしばマルチサンプルデコード戦略を備えている。ビームサーチやサンプリングベース技術のような従来のテキスト生成手法には、顕著な制限がある。本研究では,算術的サンプリングの可能性について検討し,祖先的サンプリングと対比する。
論文参考訳（メタデータ） (2024-11-09T18:55:04Z)
Lighten CARAFE: Dynamic Lightweight Upsampling with Guided Reassemble Kernels [18.729177307412645]
我々はDLU(Dynamic Lightweight Upsampling)と呼ばれる軽量なアップサンプリング動作を提案する。いくつかのメインストリームのビジョンタスクの実験では、私たちのDLUはオリジナルのCARAFEに匹敵する、さらに優れたパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-10-29T15:35:14Z)
LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
論文参考訳（メタデータ） (2024-05-09T11:49:05Z)
QUBO.jl: A Julia Ecosystem for Quadratic Unconstrained Binary Optimization [0.0]
QUBO.jlは、QUBOインスタンスを扱うためのエンドツーエンドのJuliaパッケージである。 QUBO.jlは、ユーザが前述のハードウェアとインターフェースし、様々なファイルフォーマットでQUBOモデルを送信し、その後の分析結果を取得することを可能にする。
論文参考訳（メタデータ） (2023-07-05T18:20:31Z)
Arithmetic Sampling: Parallel Diverse Decoding for Large Language Models [65.52639709094963]
ビームサーチやガンベルトップkサンプリングのような手法は、ビームの各要素に対して異なる出力を保証できるが、並列化は容易ではない。本稿では,大言語モデルによって暗黙的に定義された算術符号書に従ってサンプリングを行うフレームワークを提案する。
論文参考訳（メタデータ） (2022-10-18T22:19:41Z)
Multi-block-Single-probe Variance Reduced Estimator for Coupled Compositional Optimization [49.58290066287418]
構成問題の複雑さを軽減するために,MSVR (Multi-block-probe Variance Reduced) という新しい手法を提案する。本研究の結果は, 試料の複雑さの順序や強靭性への依存など, 様々な面で先行して改善された。
論文参考訳（メタデータ） (2022-07-18T12:03:26Z)
lambeq: An Efficient High-Level Python Library for Quantum NLP [7.996472424374576]
我々は、量子自然言語処理(QNLP)のための最初のハイレベルPythonライブラリであるlambeqを紹介する。 lambeqは、文字列ダイアグラムの構文解析、書き換え、単純化、アンザッツの生成と操作、および文の量子フレンドリーな表現を作成するための多くの構成モデルをサポートしている。我々は,従来のパイプラインと量子パイプラインの両方を実装した,単純なNLPタスクの多数の実験を行うために,このツールキットを実際にテストした。
論文参考訳（メタデータ） (2021-10-08T16:40:56Z)
Statistically Meaningful Approximation: a Case Study on Approximating Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文参考訳（メタデータ） (2021-07-28T04:28:55Z)
COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing [27.870537087888334]
本研究では,任意のサンプリング(サンプリング行列を含む)の問題を1つのモデルで解くために,COAST(Arbitrary-Sampling neTwork)を提案する。 COASTは1つのモデルで任意のサンプリング行列を処理でき、高速で最先端のパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2021-07-15T10:05:00Z)
Coherent randomized benchmarking [68.8204255655161]
独立サンプルではなく,異なるランダム配列の重ね合わせを用いることを示す。これは、ベンチマーク可能なゲートに対して大きなアドバンテージを持つ、均一でシンプルなプロトコルにつながることを示す。
論文参考訳（メタデータ） (2020-10-26T18:00:34Z)
Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文参考訳（メタデータ） (2020-07-18T09:48:29Z)

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。