論文の概要: PhasorFlow: A Python Library for Unit Circle Based Computing
- arxiv url: http://arxiv.org/abs/2603.15886v1
- Date: Mon, 16 Mar 2026 20:28:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:06.975953
- Title: PhasorFlow: A Python Library for Unit Circle Based Computing
- Title（参考訳）: PhasorFlow: ユニットサークルベースのコンピューティングのためのPythonライブラリ
- Authors: Dibakar Sigdel, Namuna Panday,
- Abstract要約: 本稿では,$S1$単位円を演算する計算パラダイムであるPhasorFlowを紹介する。
入力は複素ファサード$z = ei$として、$N$-Torusでエンコードされる。
グローバルなノルムは、個々のコンポーネントが$mathbbCNにドリフトしている間に保存され、アルゴリズムは予測学習に連続的な幾何勾配を利用することができる。
- 参考スコア（独自算出の注目度）: 0.06951558137930917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present PhasorFlow, an open-source Python library introducing a computational paradigm operating on the $S^1$ unit circle. Inputs are encoded as complex phasors $z = e^{iθ}$ on the $N$-Torus ($\mathbb{T}^N$). As computation proceeds via unitary wave interference gates, global norm is preserved while individual components drift into $\mathbb{C}^N$, allowing algorithms to natively leverage continuous geometric gradients for predictive learning. PhasorFlow provides three core contributions. First, we formalize the Phasor Circuit model ($N$ unit circle threads, $M$ gates) and introduce a 22-gate library covering Standard Unitary, Non-Linear, Neuromorphic, and Encoding operations with full matrix algebra simulation. Second, we present the Variational Phasor Circuit (VPC), analogous to Variational Quantum Circuits (VQC), enabling optimization of continuous phase parameters for classical machine learning tasks. Third, we introduce the Phasor Transformer, replacing expensive $QK^TV$ attention with a parameter-free, DFT-based token mixing layer inspired by FNet. We validate PhasorFlow on non-linear spatial classification, time-series prediction, financial volatility detection, and neuromorphic tasks including neural binding and oscillatory associative memory. Our results establish unit circle computing as a deterministic, lightweight, and mathematically principled alternative to classical neural networks and quantum circuits. It operates on classical hardware while sharing quantum mechanics' unitary foundations. PhasorFlow is available at https://github.com/mindverse-computing/phasorflow.
- Abstract（参考訳）: 本稿では,オープンソースのPythonライブラリであるPhasorFlowについて紹介する。
入力は複素ファサーズ$z = e^{iθ}$として、$N$-トルス$\mathbb{T}^N$でエンコードされる。
計算はユニタリ波干渉ゲートを介して進行するので、各成分が$\mathbb{C}^N$にドリフトしている間にグローバルノルムが保存され、アルゴリズムは予測学習のために連続的な幾何勾配をネイティブに活用することができる。
PhasorFlowは3つのコアコントリビューションを提供する。
まず、ファザーサーキットモデル(N$単位円スレッド、$M$ゲート)を定式化し、標準ユニタリ、非線形、ニューロモルフィック、エンコード操作をフルマトリックス代数シミュレーションでカバーする22ゲートライブラリを導入する。
第2に、変分量子回路(VQC)に類似した変分ファサー回路(VPC)を提案し、古典的な機械学習タスクにおける連続位相パラメータの最適化を可能にする。
第3に、Phasor Transformerを導入し、高価なQK^TV$注意をFNetにインスパイアされたパラメータフリーDFTベースのトークン混合層に置き換える。
我々は、非線形空間分類、時系列予測、金銭的ボラティリティ検出、神経結合や発振性連想記憶を含むニューロモルフィックなタスクについて、PhasorFlowを検証した。
本研究は,古典的ニューラルネットワークや量子回路に代わる決定論的,軽量,数学的原理として,単位円計算を確立した。
量子力学のユニタリ基盤を共有しながら、古典的なハードウェアで動作する。
PhasorFlowはhttps://github.com/mindverse-computing/phasorflowで入手できる。
関連論文リスト
- Practical framework for simulating permutation-equivariant quantum circuits [0.0]
ゲートジェネレータは最大$k$ローカルであり、$kin O(1)$であるという仮定のもと、$S_n$-equivariant 回路の実用的なアルゴリズムを導入する。
結果のメソッドは定数深度に対する$O(n+1)$時間で実行され、$$は行列乗算指数であり、既存の手法に比べて格段に低下する。
論文 参考訳（メタデータ） (2026-03-13T15:18:18Z) - FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。
我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。
我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
論文 参考訳（メタデータ） (2025-10-13T07:57:21Z) - Fourier Spectrum of Noisy Quantum Algorithms [0.0]
量子アルゴリズムに作用する雑音は、ノイズの種類と複雑に結びついている方法でフーリエ成長を阻害することを示す。
特に,2-Forrelationと3-Forrelationは,それぞれ$mathsfDQC_k$と$frac12mathsfBQP$モデルで,$NOmega(1)$クエリを必要とすることを示す。
論文 参考訳（メタデータ） (2025-10-07T19:07:59Z) - On sampling determinantal and Pfaffian point processes on a quantum
computer [49.1574468325115]
DPPは1970年代の量子光学のモデルとしてマッキによって導入された。
ほとんどのアプリケーションはDPPからのサンプリングを必要としており、その量子起源を考えると、古典的なコンピュータでDPPをサンプリングするのは古典的なものよりも簡単かどうか疑問に思うのが自然である。
バニラサンプリングは、各コスト$mathcalO(N3)$と$mathcalO(Nr2)$の2つのステップから構成される。
論文 参考訳（メタデータ） (2023-05-25T08:43:11Z) - Classically Simulating Quantum Supremacy IQP Circuits trough a Random
Graph Approach [0.0]
ランダム回路サンプリングによる量子超越性を実証するためのよい候補は、emphIQP回路を使用することである。
我々は、ランダムIQP回路を古典的にシミュレートする改良手法を導入する。
我々は70量子ビット回路が大規模クラスタの到達範囲内にあると推定する。
論文 参考訳（メタデータ） (2022-12-16T17:38:42Z) - NFNet: Non-interacting Fermion Network for Efficient Simulation of
Large-scale Quantum Systems [0.0]
NFNetは大規模かつ連続的に制御される量子システムのシミュレーションのためのフレームワークである。
並列行列計算とネットワークパラメータの自動微分をサポートする。
NFNetは、効率的な大規模量子シミュレータであり、量子にインスパイアされた古典的コンピューティングネットワーク構造である。
論文 参考訳（メタデータ） (2022-12-12T09:02:21Z) - Constant-Depth and Subcubic-Size Threshold Circuits for Matrix
Multiplication [1.9518237361775532]
大規模ニューラルネットワークハードウェアの最近の進歩は、その実践的実装を短期的可能性にしている。
しきい値ゲート論理を統合する2つの$N$を$N$行列に乗算する理論的アプローチについて述べる。
デンス行列乗算は畳み込みニューラルネットワークトレーニングにおけるコア演算である。
論文 参考訳（メタデータ） (2020-06-25T18:28:10Z) - Backward Feature Correction: How Deep Learning Performs Deep
(Hierarchical) Learning [66.05472746340142]
本稿では,SGD による階層的学習 _efficiently_ と _automatically_ を学習目標として,多層ニューラルネットワークがどのように行うかを分析する。
我々は、下位機能のエラーを上位層と共にトレーニングする際に自動的に修正できる"後方特徴補正"と呼ばれる新しい原則を確立する。
論文 参考訳（メタデータ） (2020-01-13T17:28:29Z)
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。