論文の概要: Q-GAIN: A Python Package for Machine Learning and Physically Informed Analysis Applications

• arxiv url: http://arxiv.org/abs/2607.02413v1
• Date: Thu, 02 Jul 2026 16:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.931587
• Title: Q-GAIN: A Python Package for Machine Learning and Physically Informed Analysis Applications
• Title（参考訳）: Q-GAIN: 機械学習と物理的インフォームド分析アプリケーションのためのPythonパッケージ
• Abstract要約: 量子ガス分析および推論(Q-GAIN)Pythonパッケージについて述べる。 Q-GAINは、コールド原子実験のための機械学習(ML)と物理インフォームド分析技術の迅速な展開を可能にする。
• 参考スコア（独自算出の注目度）: 0.249833418215628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Here we describe the quantum gas analysis and inference (Q-GAIN) Python package, which enables rapid deployment of machine learning (ML) and physics-informed analysis techniques for cold-atom experiments. Out of the box, Q-GAIN implements classification, object detection, and physics-informed metrics for feature detection in images of atomic Bose-Einstein condensates (BECs). Q-GAIN encourages a natural, module-based workflow: starting with data loading and preprocessing, followed by ML-based feature identification, and ending with conventional analysis techniques. We demonstrate this modularity by configuring Q-GAIN for three ML tasks. First, we demonstrate the basic workflow of the Q-GAIN framework by implementing the standard task of classifying handwritten digits from the MNIST dataset. Then, we re-implement our earlier soliton detection (SolDet) package in the Q-GAIN framework, enabling the detection and analysis of solitonic excitations in time-of-flight data. Finally, we develop an object-detection tool that identifies quantized vortices in images of ring-shaped BECs.
• Abstract（参考訳）: 本稿では,Q-GAIN (Quantum Gas Analysis and Inference) Pythonパッケージについて述べる。 最初からQ-GAINは、原子ボース・アインシュタイン凝縮(BEC)の画像の特徴検出のための分類、オブジェクト検出、物理インフォームドメトリクスを実装している。 Q-GAINは、データローディングと前処理から始まり、MLベースの特徴識別から始まり、従来の分析技術で終わる、自然なモジュールベースのワークフローを促進する。 3つのMLタスクに対してQ-GAINを設定することで、このモジュラリティを実証する。 まず、MNISTデータセットから手書き桁を分類する標準的なタスクを実装することで、Q-GAINフレームワークの基本ワークフローを実証する。 次に、Q-GAINフレームワークに初期のソリトン検出(SolDet)パッケージを再実装し、飛行時間データのソリトン励起の検出と解析を可能にする。 最後に,リング状BECの画像中の量子化された渦を識別する物体検出ツールを開発した。

関連論文リスト

• Amplitude-based Input Attribution in Quantum Learning via Integrated Gradients [4.946006905837039]
  本稿では,回路ベースQMLモデルにおける振幅に基づく入力属性スコアを計算するためのフレームワークであるHATTRIQを紹介する。 分類タスクにおけるHATTRIQの有効性を複数のデータセットで検証する。
  論文  参考訳（メタデータ） (2025-10-02T19:00:41Z)
• QML Essentials -- A framework for working with Quantum Fourier Models [2.5914756674389463]
  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。
  論文  参考訳（メタデータ） (2025-06-07T07:22:43Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• Quantum Machine Learning in Log-based Anomaly Detection: Challenges and Opportunities [36.437593835024394]
  我々は、LogADのコンテキストでQMLモデルを評価するための統合フレームワーク、我々のフレームワークを紹介します。 DeepLog、LogAnomaly、LogRobustといった最先端のメソッドが私たちのフレームワークに含まれている。 評価はQMLの性能に重要な要素、例えば特異性、回路数、回路設計、量子状態符号化にまで及んでいる。
  論文  参考訳（メタデータ） (2024-12-18T06:13:49Z)
• Learning the physics of open quantum systems from experiments [55.2480439325792]
  この論文は、実験データを用いて量子システムを特徴づけるツールとして適応推論を探求する。 ベイズの実験設計と高度なモンテカルロ手法を用いてハミルトン作用素とクラウス作用素を学習するためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-26T19:23:02Z)
• Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
  本稿では,革新的な深層学習に基づく量子センシング手法を提案する。 これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。 我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-11-13T09:46:05Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Bosonic Qiskit [1.0295442937414798]
  本稿では,ハイブリッド量子ビット/ボソニックシステムのシミュレーションを可能にするBosonic Qiskitソフトウェアを提案する。 この実装は、新しいハイブリッドシステムのシミュレーション、提案された物理システムの検証、現在構築されている以上のモデリング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） (2022-09-22T16:58:38Z)
• Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons [0.0]
  超低温原子実験では、データは情報損失を被る画像の形で現れることが多い。 機械学習(ML)モデルと物理に基づく伝統的な分析を組み合わせたフレームワークについて述べる。 このフレームワークの訓練された実装であるSolDetは、オープンソースのpythonパッケージとして公開されています。
  論文  参考訳（メタデータ） (2021-11-08T23:49:04Z)
• ORQVIZ: Visualizing High-Dimensional Landscapes in Variational Quantum Algorithms [51.02972483763309]
  変分量子アルゴリズム(VQA)は、量子コンピュータの実用的な応用を見つけるための有望な候補である。 この作業には、オープンソースのPythonパッケージである$textitorqviz$のリリースが伴っている。
  論文  参考訳（メタデータ） (2021-11-08T18:17:59Z)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)

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。