論文の概要: QML Essentials -- A framework for working with Quantum Fourier Models

• arxiv url: http://arxiv.org/abs/2506.06695v1
• Date: Sat, 07 Jun 2025 07:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.437843
• Title: QML Essentials -- A framework for working with Quantum Fourier Models
• Title（参考訳）: QML Essentials - 量子フーリエモデルを扱うためのフレームワーク
• Authors: Melvin Strobl, Maja Franz, Eileen Kuehn, Wolfgang Mauerer, Achim Streit,
• Abstract要約: このフレームワークはPennyLaneシミュレータに基づいており、変分量子回路の評価と訓練を容易にする。 これは、高速フーリエ変換による対応するスペクトルを計算するための2つの方法と、三角法を用いて期待値の拡張に基づく別の分析方法を提供する。
• 参考スコア（独自算出の注目度）: 2.5914756674389463
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this work, we propose a framework in the form of a Python package, specifically designed for the analysis of Quantum Machine Learning models. This framework is based on the PennyLane simulator and facilitates the evaluation and training of Variational Quantum Circuits. It provides additional functionality ranging from the ability to add different types of noise to the classical simulation, over different parameter initialisation strategies, to the calculation of expressibility and entanglement for a given model. As an intrinsic property of Quantum Fourier Models, it provides two methods for calculating the corresponding Fourier spectrum: one via the Fast Fourier Transform and another analytical method based on the expansion of the expectation value using trigonometric polynomials. It also provides a set of predefined approaches that allow a fast and straightforward implementation of Quantum Machine Learning models. With this framework, we extend the PennyLane simulator with a set of tools that allow researchers a more convenient start with Quantum Fourier Models and aim to unify the analysis of Variational Quantum Circuits.
• Abstract（参考訳）: 本研究では,量子機械学習モデルの解析に特化して設計されたPythonパッケージの形式でのフレームワークを提案する。 このフレームワークはPennyLaneシミュレータに基づいており、変分量子回路の評価と訓練を容易にする。 それは、古典的なシミュレーションに異なる種類のノイズを加える能力、パラメータの初期化戦略の違い、与えられたモデルの表現可能性と絡み合いの計算など、追加の機能を提供する。 量子フーリエモデルの本質的な性質として、対応するフーリエスペクトルを計算するための2つの方法を提供する: 1つは高速フーリエ変換、もう1つは三角多項式を用いた期待値の拡張に基づく解析方法である。 また、Quantum Machine Learningモデルの高速で簡単な実装を可能にする、事前定義されたアプローチのセットも提供する。 このフレームワークにより、PennyLaneシミュレータを一連のツールで拡張し、量子フーリエモデルにより研究者がより便利なスタートを可能にし、変分量子回路の分析を統一することを目指している。

関連論文リスト

• Kernel-based dequantization of variational QML without Random Fourier Features [0.3277163122167433]
  回帰問題に対する変分QMLモデルの定式化に向けた最近の提案には、慎重に選択されたカーネル関数を持つカーネルメソッドに基づくアプローチが含まれる。 我々は、広範囲のインスタンスに対して、このアプローチを単純化できることを示します。 この結果により,カーネルベースの変分QMLの定式化のためのツールキットが強化された。
  論文  参考訳（メタデータ） (2025-03-31T10:26:16Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Quixer: A Quantum Transformer Model [3.140679149492808]
  量子トランスモデルQuixerについて紹介する。 Quixerはトークンの重ね合わせを作成し、この混合にトレーニング可能な非線形変換を適用することで機能する。 パラメータ化された成分を固定構造に置換して量子変換器の新たなクラスを生成できることが示される。
  論文  参考訳（メタデータ） (2024-06-06T17:52:05Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Quantum Fourier Iterative Amplitude Estimation [0.0]
  我々はモンテカルロ積分を推定するための新しいツールを構築するために量子フーリエ反復振幅推定(QFIAE)を提案する。 QFIAEはパラメタライズド量子回路(PQC)と量子ニューラルネットワーク(QNN)を用いてターゲット関数をフーリエ級数に分解する そこで本研究では,実ハードウェア上での実行に適した精度で,QFIAEが同等の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-05-02T18:00:05Z)
• Fourier series weight in quantum machine learning [2.179493184917471]
  この目的を達成するために、モデル、テスト、デモを提案します。 我々はハミルトニアン符号化を利用した量子機械学習を設計した。 我々はPennylaneフレームワークを使って提案されたモデルをすべて実行し、テストした。
  論文  参考訳（メタデータ） (2023-01-31T21:12:09Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。