Fugu-MT 論文翻訳(概要): trainsum -- A Python package for quantics tensor trains

論文の概要: trainsum -- A Python package for quantics tensor trains

arxiv url: http://arxiv.org/abs/2602.20226v1
Date: Mon, 23 Feb 2026 16:41:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-25 17:34:53.480742
Title: trainsum -- A Python package for quantics tensor trains
Title（参考訳）: trainum -- テンソルテンソルトレインのためのPythonパッケージ
Authors: Paul Haubenwallner, Matthias Heller,
Abstract要約: Trainumは多次元量子テンソルトレインで計算を行う汎用Pythonパッケージである。シミュレーション、データ圧縮、機械学習、データ分析などの応用で一般的な計算に使用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present trainsum, a versatile Python package for doing computations with multidimensional quantics tensor trains: https://github.com/fh-igd-iet/trainsum. Using the Array API standard together with opt_einsum, trainsum allows the effortless approximation of tensors or functions by tensor trains independent of their shape or dimensionality. Once approximated, our package can perform normal arithmetic operations with quantics tensor trains, including addition, Einstein summations and element-wise transformations. It can be therefore used for generic computations with applications in simulation, data compression, machine learning and data analysis.
Abstract（参考訳）: trainumは多次元量子テンソルトレインで計算を行う汎用Pythonパッケージである。 Trainumは、op_einsumとともにArray API標準を使用することで、テンソルや関数を、その形状や寸法によらないテンソルトレインによって、懸命に近似することができる。ひとたび近似すると、このパッケージは量子テンソルトレインで通常の算術演算を実行できる。そのため、シミュレーション、データ圧縮、機械学習、データ解析などの応用で一般的な計算に使用できる。

関連論文リスト

scipy.spatial.transform: Differentiable Framework-Agnostic 3D Transformations in Python [49.015684860172975]
三次元剛体変換、すなわち回転と変換は、現代の微分可能な機械学習パイプラインの中心である。 SciPyのspace$.$diffモジュールは、厳格にテストされたPython実装である。我々はSciPyの空間$.$transform機能を完全にオーバーホールし、Python配列APIを実装する任意の配列ライブラリと互換性を持たせる。
論文参考訳（メタデータ） (2025-11-22T18:52:34Z)
SeQuant Framework for Symbolic and Numerical Tensor Algebra. I. Core Capabilities [0.9556128246747769]
SeQuant は可換(スカラー)環と非可換(演算)環上のテンソルのシンボリック代数のオープンソースライブラリである。その機能の大部分をサポートする重要な革新は、グラフ理論テンソルネットワーク標準化器である。
論文参考訳（メタデータ） (2025-11-13T04:17:05Z)
FTuner: A Fast Dynamic Shape Tensors Program Auto-Tuner for Deep Learning Compilers [6.194917248699324]
本稿では,FTunerと呼ばれるディープラーニングコンパイラの新しい手法を提案する。実験によると、FTunerはベンダーのライブラリに匹敵する演算子とエンドツーエンド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） (2024-07-31T08:05:33Z)
Symbolically integrating tensor networks over various random tensors by the second version of Python RTNI [0.5439020425818999]
我々は、Haar分散ユニタリ行列上のテンソルネットワークを象徴的に統合するRTNIのPythonバージョンをアップグレードしている。現在、PyRTNI2 はハール分布行列と実かつ複素正規ガウステンソルも扱うことができる。本稿では,プログラムの背後にある数学を説明し,それを用いてどのようなテンソルネットワーク計算を行うことができるかを示す。
論文参考訳（メタデータ） (2023-09-03T13:14:46Z)
TensorKrowch: Smooth integration of tensor networks in machine learning [46.0920431279359]
PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
論文参考訳（メタデータ） (2023-06-14T15:55:19Z)
WaveTrain: A Python Package for Numerical Quantum Mechanics of Chain-Like Systems Based on Tensor Trains [0.0]
WaveTrain(ウェーブトレイン)は、直近近傍(NN)相互作用のみを持つ鎖状量子系の数値シミュレーションのためのオープンソースソフトウェアである。 PythonのテンソルトレインツールボックスScikit-tt上に構築されており、TTフォーマットの効率的な構築方法とストレージスキームを提供する。 WaveTrainは、周期的境界条件を持つか、非周期的境界条件を持つ、あらゆる種類の連鎖型量子システムに使用することができる。
論文参考訳（メタデータ） (2023-02-07T19:33:42Z)
Near-Linear Time and Fixed-Parameter Tractable Algorithms for Tensor Decompositions [51.19236668224547]
テンソルの低階近似について検討し,テンソルトレインとタッカー分解に着目した。テンソル列車の分解には、小さなビクリテリアランクを持つビクリテリア$(1 + eps)$-approximationアルゴリズムと、O(q cdot nnz(A))$ランニングタイムを与える。さらに、任意のグラフを持つテンソルネットワークにアルゴリズムを拡張します。
論文参考訳（メタデータ） (2022-07-15T11:55:09Z)
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)
Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文参考訳（メタデータ） (2021-05-29T08:39:57Z)
Multi-version Tensor Completion for Time-delayed Spatio-temporal Data [50.762087239885936]
実世界の時間データは、様々なデータ読み込み遅延のために不完全または不正確な場合が多い。経時的に更新を予測するための低ランクテンソルモデルを提案する。最良基準法に比べて最大27.2%低いルート平均二乗誤差が得られる。
論文参考訳（メタデータ） (2021-05-11T19:55:56Z)

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。