論文の概要: TorchQC -- A framework for efficiently integrating machine and deep learning methods in quantum dynamics and control
- arxiv url: http://arxiv.org/abs/2412.14591v1
- Date: Thu, 19 Dec 2024 07:19:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:30:53.461233
- Title: TorchQC -- A framework for efficiently integrating machine and deep learning methods in quantum dynamics and control
- Title(参考訳): TorchQC -- 量子力学と制御における機械学習メソッドとディープラーニングメソッドを効率的に統合するためのフレームワーク
- Authors: Dimitris Koutromanos, Dionisis Stefanatos, Emmanuel Paspalakis,
- Abstract要約: TorchQCはPythonで完全に書かれた新しいライブラリで、PyTorchディープラーニングライブラリをベースとしている。
PyTorchとそのテンソル機構を利用して量子状態と演算子をテンソルとして表現し、量子系の力学をシミュレートするために必要なすべてのツールも組み込んでいる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Machine learning has been revolutionizing our world over the last few years and is also increasingly exploited in several areas of physics, including quantum dynamics and control.The need for a framework that brings together machine learning models and quantum simulation methods has been quite high within the quantum control field, with the ultimate goal of exploiting these powerful computational methods for the efficient implementation of modern quantum technologies. The existing frameworks for quantum system simulations, such as QuTip and QuantumOptics.jl, even though they are very successful in simulating quantum dynamics, cannot be easily incorporated into the platforms used for the development of machine learning models, like for example PyTorch. The TorchQC framework introduced in the present work comes exactly to fill this gap. It is a new library written entirely in Python and based on the PyTorch deep learning library. PyTorch and other deep learning frameworks are based on tensors, a structure that is also used in quantum mechanics. This is the common ground that TorchQC utilizes to combine quantum physics simulations and deep learning models.TorchQC exploits PyTorch and its tensor mechanism to represent quantum states and operators as tensors, while it also incorporates all the tools needed to simulate quantum system dynamics. All necessary operations are internal in the PyTorch library, thus TorchQC programs can be executed in GPUs, substantially reducing the simulation time. We believe that the proposed TorchQC library has the potential to accelerate the development of deep learning models directly incorporating quantum simulations, enabling the easier integration of these powerful techniques in modern quantum technologies.
- Abstract(参考訳): 機械学習はここ数年、私たちの世界に革命をもたらしており、量子力学や制御など、物理学のいくつかの分野でも利用されており、現代の量子技術の効率的な実装のためにこれらの強力な計算手法を利用するという究極の目標を掲げ、量子制御分野において機械学習モデルと量子シミュレーションメソッドを結合するフレームワークの必要性は非常に高い。
QuTipやQuantumOptics.jlのような既存の量子システムシミュレーションのフレームワークは、量子力学のシミュレーションに非常に成功したが、PyTorchのような機械学習モデルの開発に使用されるプラットフォームに簡単に組み込むことはできない。
現在の作業で導入されたTorchQCフレームワークは、まさにこのギャップを埋めるためです。
Pythonで完全に書かれた新しいライブラリで、PyTorchディープラーニングライブラリをベースとしている。
PyTorchや他のディープラーニングフレームワークはテンソルに基づいている。
TorchQCはPyTorchとそのテンソル機構を利用して量子状態と演算子をテンソルとして表現し、量子系の力学をシミュレートするために必要なすべてのツールも組み込んでいる。
必要な操作はすべてPyTorchライブラリの内部にあるため、TorchQCプログラムはGPUで実行できるため、シミュレーション時間が大幅に短縮される。
提案したTorchQCライブラリは、量子シミュレーションを直接組み込んだディープラーニングモデルの開発を加速する可能性があり、現代の量子技術においてこれらの強力な技術をより容易に統合できると考えている。
関連論文リスト
- Quantum Extreme Learning of molecular potential energy surfaces and force fields [5.13730975608994]
量子ニューラルネットワークは、分子系のポテンシャルエネルギー表面と力場を学習するために用いられる。
この特定の教師付き学習ルーチンは、古典的コンピュータ上で実行される単純な線形回帰からなるリソース効率のトレーニングを可能にする。
我々は、任意の次元の分子を研究するために使用でき、NISQデバイスで即時使用するために最適化された設定をテストした。
他の教師付き学習ルーチンと比較して、提案されたセットアップは最小限の量子リソースを必要とするため、量子プラットフォーム上で直接実装することが可能である。
論文 参考訳(メタデータ) (2024-06-20T18:00:01Z) - sQUlearn -- A Python Library for Quantum Machine Learning [0.0]
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。
論文 参考訳(メタデータ) (2023-11-15T14:22:53Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
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) - Quantum Advantage Seeker with Kernels (QuASK): a software framework to
speed up the research in quantum machine learning [0.9217021281095907]
QuASKはPythonで書かれたオープンソースの量子機械学習フレームワークである。
量子カーネルを通じてデータを解析するために、最も最先端のアルゴリズムを実装している。
データセットのダウンロード、前処理、量子機械学習ルーチン、分析と視覚化のためのコマンドラインツールとして使用できる。
論文 参考訳(メタデータ) (2022-06-30T13:43:16Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - 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) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳(メタデータ) (2021-05-20T17:06:52Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳(メタデータ) (2021-04-21T13:26:42Z) - TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。
本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
論文 参考訳(メタデータ) (2020-03-06T01:31:43Z)
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。