論文の概要: sQUlearn -- A Python Library for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2311.08990v2
• Date: Fri, 19 Apr 2024 09:21:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 20:07:00.286657
• Title: sQUlearn -- A Python Library for Quantum Machine Learning
• Title（参考訳）: sQUlearn - 量子機械学習のためのPythonライブラリ
• Authors: David A. Kreplin, Moritz Willmann, Jan Schnabel, Frederic Rapp, Manuel Hagelüken, Marco Roth,
• Abstract要約: sQUlearnが量子機械学習(QML)用のNISQ対応Pythonライブラリを導入 図書館の二重層アーキテクチャはQML研究者と実践者の両方に役立っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: sQUlearn introduces a user-friendly, NISQ-ready Python library for quantum machine learning (QML), designed for seamless integration with classical machine learning tools like scikit-learn. The library's dual-layer architecture serves both QML researchers and practitioners, enabling efficient prototyping, experimentation, and pipelining. sQUlearn provides a comprehensive toolset that includes both quantum kernel methods and quantum neural networks, along with features like customizable data encoding strategies, automated execution handling, and specialized kernel regularization techniques. By focusing on NISQ-compatibility and end-to-end automation, sQUlearn aims to bridge the gap between current quantum computing capabilities and practical machine learning applications. The library provides substantial flexibility, enabling quick transitions between the underlying quantum frameworks Qiskit and PennyLane, as well as between simulation and running on actual hardware.
• Abstract（参考訳）: sQUlearnは、Scikit-learnのような古典的な機械学習ツールとシームレスに統合するために設計された、QML(Quantum Machine Learning)用のユーザフレンドリーなNISQ対応Pythonライブラリを導入した。 ライブラリの二重層アーキテクチャはQML研究者と実践者の両方に役立ち、効率的なプロトタイピング、実験、パイプライニングを可能にする。 sQUlearnは、カスタマイズ可能なデータエンコーディング戦略、自動実行処理、特別なカーネル正規化テクニックなどの機能とともに、量子カーネルメソッドと量子ニューラルネットワークの両方を含む包括的なツールセットを提供する。 NISQ互換性とエンドツーエンドの自動化に焦点を当てることで、sQUlearnは現在の量子コンピューティング能力と実用的な機械学習アプリケーションとのギャップを埋めることを目指している。 ライブラリはかなりの柔軟性を提供し、基礎となる量子フレームワークであるQiskitとPennyLane間の迅速な移行と、シミュレーションと実際のハードウェア上での実行を可能にする。

関連論文リスト

• Application of machine learning to experimental design in quantum mechanics [0.5461938536945721]
  本稿では,量子センサの精度を最適化する機械学習手法を提案する。 フレームワークはPythonパッケージのqsensoroptで実装されている。 我々は,この手法のNV中心およびフォトニック回路への応用について検討した。
  論文  参考訳（メタデータ） (2024-03-15T14:07:46Z)
• Quantum Text Classifier -- A Synchronistic Approach Towards Classical and Quantum Machine Learning [0.0]
  量子コンピューティングにおける機械学習パイプラインの実行可能性を示すために、方法とアルゴリズムが開発されている。 一般的なQML(Quantum Machine Learning)アルゴリズムとアプリケーションに関する作業が進行中です。 本稿では、機械学習の読者に対して、量子機械学習w.r.tテキスト分類を導入する。
  論文  参考訳（メタデータ） (2023-05-22T07:27:37Z)
• Model-Driven Quantum Federated Learning (QFL) [6.286613532372707]
  開発者はQuantum Computing (QC)ライブラリやフレームワークに慣れていない。 ドメイン特化モデリング言語(DSL)は、基礎となるQCとFederated Learning(FL)ライブラリの抽象化レイヤを提供する。
  論文  参考訳（メタデータ） (2023-04-05T15:19:51Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum Semi-Supervised Kernel Learning [4.726777092009554]
  本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。 完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
  論文  参考訳（メタデータ） (2022-04-22T13:39:55Z)
• TensorLy-Quantum: Quantum Machine Learning with Tensor Methods [67.29221827422164]
  PyTorch APIを採用した量子回路シミュレーションのためのPythonライブラリを作成します。 Ly-Quantumは、単一のGPU上で数百のキュービット、複数のGPU上で数千のキュービットにスケールすることができる。
  論文  参考訳（メタデータ） (2021-12-19T19:26:17Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Extending Python for Quantum-Classical Computing via Quantum Just-in-Time Compilation [78.8942067357231]
  Pythonは、その柔軟性、ユーザビリティ、可読性、開発者の生産性を重視することで有名な人気のあるプログラミング言語です。 量子ジャスト・イン・タイム・コンパイルのための堅牢なC++インフラストラクチャを通じて、異種量子古典計算を可能にするPythonの言語拡張を提案する。
  論文  参考訳（メタデータ） (2021-05-10T21:11:21Z)
• QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
  機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。 本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。 従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
  論文  参考訳（メタデータ） (2020-02-22T04:14:32Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。