論文の概要: Eliminating Vendor Lock-In in Quantum Machine Learning via Framework-Agnostic Neural Networks
- arxiv url: http://arxiv.org/abs/2604.04414v1
- Date: Mon, 06 Apr 2026 04:43:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.091206
- Title: Eliminating Vendor Lock-In in Quantum Machine Learning via Framework-Agnostic Neural Networks
- Title（参考訳）: フレームワークに依存しないニューラルネットワークによる量子機械学習におけるベンダーロックインの除去
- Authors: Poornima Kumaresan, Shwetha Singaravelu, Lakshmi Rajendran, Santhosh Sivasubramani,
- Abstract要約: 現在の量子機械学習(QML)ソフトウェアフレームワークは、深刻な断片化に悩まされている。
本稿では,ベンダ固有のインターフェースを抽象化するフレームワークに依存しない量子ニューラルネットワーク(HALQ)アーキテクチャを提案する。
- 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: Quantum machine learning (QML) stands at the intersection of quantum computing and artificial intelligence, offering the potential to solve problems that remain intractable for classical methods. However, the current landscape of QML software frameworks suffers from severe fragmentation: models developed in TensorFlow Quantum cannot execute on PennyLane backends, circuits authored in Qiskit Machine Learning cannot be deployed to Amazon Braket hardware, and researchers who invest in one ecosystem face prohibitive switching costs when migrating to another. This vendor lock-in impedes reproducibility, limits hardware access, and slows the pace of scientific discovery. In this paper, we present a framework-agnostic quantum neural network (QNN) architecture that abstracts away vendor-specific interfaces through a unified computational graph, a hardware abstraction layer (HAL), and a multi-framework export pipeline. The core architecture supports simultaneous integration with TensorFlow, PyTorch, and JAX as classical co-processors, while the HAL provides transparent access to IBM Quantum, Amazon Braket, Azure Quantum, IonQ, and Rigetti backends through a single application programming interface (API). We introduce three pluggable data encoding strategies (amplitude, angle, and instantaneous quantum polynomial encoding) that are compatible with all supported backends. An export module leveraging Open Neural Network Exchange (ONNX) metadata enables lossless circuit translation across Qiskit, Cirq, PennyLane, and Braket representations. We benchmark our framework on the Iris, Wine, and MNIST-4 classification tasks, demonstrating training time parity (within 8\% overhead) compared to native framework implementations, while achieving identical classification accuracy.
- Abstract（参考訳）: 量子機械学習(QML)は、量子コンピューティングと人工知能の交差点に立っており、古典的な方法では難解な問題を解く可能性を秘めている。
TensorFlow Quantumで開発されたモデルはPennyLaneバックエンド上では実行できないし、Qiskit Machine Learningで書かれた回路はAmazon Braketハードウェアにデプロイできない。
このベンダーロックインは再現性を阻害し、ハードウェアアクセスを制限し、科学的発見のペースを遅くする。
本稿では,統合された計算グラフ,ハードウェア抽象化層(HAL),マルチフレームワークエクスポートパイプラインを通じて,ベンダ固有のインターフェースを抽象化する,フレームワークに依存しない量子ニューラルネットワーク(QNN)アーキテクチャを提案する。
HALは、単一のアプリケーションプログラミングインターフェース(API)を通じて、IBM Quantum、Amazon Braket、Azure Quantum、IonQ、Rigettiバックエンドへの透過的なアクセスを提供する。
我々は,すべてのバックエンドと互換性のある3つのプラグ可能なデータ符号化戦略(振幅,角度,瞬時量子多項式符号化)を導入する。
Open Neural Network Exchange (ONNX)メタデータを活用するエクスポートモジュールは、Qiskit、Cirq、PennyLane、Braket表現間のロスレス回路変換を可能にする。
We benchmark our framework on the Iris, Wine, and MNIST-4 classification task, demonstrate training time parity (with 8\% overhead) using native framework implementation, which achieved same classification accuracy。
関連論文リスト
- Integrating Julia-ITensors into the Tensor Network Quantum Virtual Machine (TNQVM) [0.0]
JuliaITensorTNQVMは、TNQVMのC++ビジターインフラストラクチャとJulia-ITensorsランタイムをブリッジする相互運用性レイヤである。
本研究では,Haar-random状態を用いたページ曲線検証プロトコルと3つの正則グラフ上のQAOA MaxCutシミュレーションの2つの研究を通して実装を評価する。
論文 参考訳（メタデータ） (2026-03-27T23:06:37Z) - Edge-Local and Qubit-Efficient Quantum Graph Learning for the NISQ Era [0.0]
ノイズの多い中間規模量子状態における教師なし学習のために明示的に設計された完全量子グラフ畳み込みアーキテクチャを導入する。
我々のモデルは、ハードウェアネイティブなシングルビットゲートと2ビットゲートのみを使用して、グラフエッジに沿ったペアワイズインタラクションにメッセージパッシングを分解する。
論文 参考訳（メタデータ） (2026-02-17T21:17:42Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Domain-Aware Quantum Circuit for QML [0.7999703756441755]
本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。
設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。
MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
論文 参考訳（メタデータ） (2025-12-19T17:02:58Z) - NetQMPI: An MPI-Inspired software for programming Distributed Quantum Applications over Quantum Networks using NetQASM SDK [0.0]
本稿では,Message Passing Interface (MPI) 標準を量子領域に適用したハイレベルPythonフレームワークである textbfNetQMPI を紹介する。
本研究では,Non-Cloning Theoremの制約に対処するセマンティック・ポイント・ツー・ポイント・プリミティブと,公開や非公開といった新しい集合操作を提案する。
論文 参考訳（メタデータ） (2025-12-12T11:32:42Z) - Qiboml: towards the orchestration of quantum-classical machine learning [53.28668485072944]
本稿では,量子および古典的機械学習をオーケストレーションするオープンソースソフトウェアライブラリであるQibomlを紹介する。
多様なシミュレーションオプション、ノイズ認識シミュレーション、リアルタイムエラー軽減とキャリブレーションなどの機能を紹介する。
論文 参考訳（メタデータ） (2025-10-13T18:00:00Z) - 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) - 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) - A MLIR Dialect for Quantum Assembly Languages [78.8942067357231]
量子コンピューティングにおけるMLIR(Multi-Level Intermediate Representation)の有用性を実証する。
我々は、共通量子集合言語の表現とコンパイルを可能にする新しい量子方言でMLIRを拡張した。
我々はQIR量子ランタイムAPIのqcor対応実装を活用して、再ターゲット可能な(量子ハードウェアに依存しない)コンパイラワークフローを実現する。
論文 参考訳（メタデータ） (2021-01-27T13:00:39Z) - Extending C++ for Heterogeneous Quantum-Classical Computing [56.782064931823015]
qcorはC++とコンパイラの実装の言語拡張で、異種量子古典プログラミング、コンパイル、単一ソースコンテキストでの実行を可能にする。
我々の研究は、量子言語で高レベルな量子カーネル(関数)を表現できる、第一種C++コンパイラを提供する。
論文 参考訳（メタデータ） (2020-10-08T12:49:07Z)
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。