論文の概要: SeeMPS: A Python-based Matrix Product State and Tensor Train Library
- arxiv url: http://arxiv.org/abs/2601.16734v1
- Date: Fri, 23 Jan 2026 13:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.694397
- Title: SeeMPS: A Python-based Matrix Product State and Tensor Train Library
- Title（参考訳）: SeeMPS: Pythonベースのマトリックス製品状態とテンソルトレインライブラリ
- Authors: Paula García-Molina, Juan José Rodríguez-Aldavero, Jorge Gidi, Juan José García-Ripoll,
- Abstract要約: SeeMPSは、Matrix Product States(MPS)とQuantized Train(QTT)の形式に基づくテンソルネットワークアルゴリズムを実装するためのPythonライブラリである。
このライブラリは、従来の量子多体物理学の応用や、量子に着想を得た数値解析問題にも利用できる。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce SeeMPS, a Python library dedicated to implementing tensor network algorithms based on the well-known Matrix Product States (MPS) and Quantized Tensor Train (QTT) formalisms. SeeMPS is implemented as a complete finite precision linear algebra package where exponentially large vector spaces are compressed using the MPS/TT formalism. It enables both low-level operations, such as vector addition, linear transformations, and Hadamard products, as well as high-level algorithms, including the approximation of linear equations, eigenvalue computations, and exponentially efficient Fourier transforms. This library can be used for traditional quantum many-body physics applications and also for quantum-inspired numerical analysis problems, such as solving PDEs, interpolating and integrating multidimensional functions, sampling multivariate probability distributions, etc.
- Abstract（参考訳）: 本稿では,有名なMatrix Product States(MPS)とQuantized Tensor Train(QTT)の形式に基づくテンソルネットワークアルゴリズムの実装に特化したPythonライブラリであるSeeeMPSを紹介する。
SeeMPSは完全有限精度線形代数パッケージとして実装され、指数関数的に大きなベクトル空間はMPS/TT形式を用いて圧縮される。
これはベクトル加算、線形変換、アダマール積などの低レベル演算と、線形方程式の近似、固有値計算、指数関数的に効率的なフーリエ変換を含む高レベルアルゴリズムの両方を可能にする。
このライブラリは、従来の量子多体物理学の応用や、PDEの解法、多次元関数の補間と統合、多変量確率分布のサンプリングなど、量子に着想を得た数値解析問題にも利用できる。
関連論文リスト
- Who can compete with quantum computers? Lecture notes on quantum inspired tensor networks computational techniques [0.0]
この講義には、MPOの固有ベクトルを見つけ、線形問題を解くためのよく知られたアルゴリズムと、既知の関数をMPSにマッピングできる最近の学習アルゴリズムが含まれている。
講義は「量子」表現を用いて関数を表現し、テンソルネットワークで計算を行う方法についての議論で終わる。
論文 参考訳（メタデータ） (2026-01-06T14:09:10Z) - WUSH: Near-Optimal Adaptive Transforms for LLM Quantization [52.77441224845925]
低ビット幅への量子化は、大きな言語モデルをデプロイするための標準的なアプローチである。
いくつかの極端な重みと活性化は、ダイナミックレンジを拡張し、量子化器の有効分解能を減少させる。
結合重みアクティベーション量子化のための閉形式最適線形ブロックワイズ変換を初めて導出する。
論文 参考訳（メタデータ） (2025-11-30T16:17:34Z) - Batch Matrix-form Equations and Implementation of Multilayer Perceptrons [11.220061576867558]
多層パーセプトロン(MLP)は現代のディープラーニングの基礎であるが、アルゴリズムの詳細は完全で明示的なEmphbatch行列形式で提示されることは滅多にない。
自動微分は等しく高い計算効率を達成するが、バッチ行列形式の使用により計算構造が明確になる。
本稿では,バッチ行列形式の勾配の数学的に厳密な実装仕様を提供することにより,そのギャップを埋める。
論文 参考訳（メタデータ） (2025-11-14T22:52:27Z) - Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression [57.54335545892155]
本稿では,各重みの群に独自の格子コードブックを割り当てるGLVQ(Grouped Lattice Vector Quantization)フレームワークを紹介する。
提案手法は,既存のトレーニング後の量子化ベースラインと比較して,モデルサイズと精度のトレードオフが良好である。
論文 参考訳（メタデータ） (2025-10-23T20:19:48Z) - Efficient Quantum Access Model for Sparse Structured Matrices using Linear Combination of Things [0.6138671548064355]
構成されたスパース行列に合わせたLCU(Linear Combination of Unitary)スタイルの分解のための新しいフレームワークを提案する。
LCUは変動型およびフォールトトレラントな量子アルゴリズムの基本的なプリミティブである。
我々は、空間性と構造をよりよく捉えることができる単純で単項でない作用素のコンパクトな集合であるシグマ基底を導入する。
論文 参考訳（メタデータ） (2025-07-04T17:05:07Z) - Towards efficient quantum algorithms for diffusion probabilistic models [27.433686030846072]
拡散モデル(DPM)は、画像や音声生成などのタスクで高品質な出力を生成する能力で有名である。
様々な量子解法を用いてDPMを実装するための効率的な量子アルゴリズムを導入する。
論文 参考訳（メタデータ） (2025-02-20T04:39:09Z) - Efficient Variational Quantum Linear Solver for Structured Sparse Matrices [0.6138671548064355]
代替基底を用いることで、行列のスパーシリティと基盤構造をよりうまく活用できることが示される。
我々は、グローバル/ローカルなVQLSコスト関数を計算するために効率的な量子回路を設計するために、ユニタリ補完の概念を用いる。
論文 参考訳（メタデータ） (2024-04-25T19:22:05Z) - Quantum algorithms for matrix operations and linear systems of equations [65.62256987706128]
本稿では,「Sender-Receiver」モデルを用いた行列演算のための量子アルゴリズムを提案する。
これらの量子プロトコルは、他の量子スキームのサブルーチンとして使用できる。
論文 参考訳（メタデータ） (2022-02-10T08:12:20Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Learning with Density Matrices and Random Features [44.98964870180375]
密度行列は、量子系の統計状態を記述する。
量子系の量子的不確実性と古典的不確実性の両方を表現することは強力な形式主義である。
本稿では,機械学習モデルのビルディングブロックとして密度行列をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2021-02-08T17:54:59Z)
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。