学ぶ

量子機械学習とAI開発の基礎を学ぼう

チュートリアルビジュアルガイド

完全ガイド

4ステップ

チュートリアル

量子ニューラルネットワークの設計・訓練・提出までの完全ガイド

ビジュアルガイド

画像付きのステップバイステップガイド

コンペティション参加までの流れ

Step 1

設計する

HNN Composerで設計

Step 2

環境構築

Qugeisterをセットアップ

Step 3

訓練する

棋譜データで訓練

Step 4

提出する

QuAicにアップロード

Step 1

HNN Composerで量子回路を設計

視覚的なエディタで量子古典ハイブリッドネットワークを設計

設計のポイント

入力: 448次元（7チャンネル × 8×8盤面）
出力: [8, 2]（8駒 × good/bad確率）
推奨: 4〜6量子ビット、2〜3層

configファイルのエクスポート

設計完了後「Export Config」でJSON設定ファイルをダウンロード。このファイルをQugeister環境で使用します。

experiment_name.json

Step 2

Qugeister訓練環境をセットアップ

GitHubからクローンしてPython環境をセットアップ

前提条件

• Python 3.10以上
• Git

1. リポジトリのクローン

git clone https://github.com/ukinsama/qugeister.git
cd qugeister

2. セットアップスクリプトを実行

./scripts/setup.sh
source venv/bin/activate

手動セットアップ（クリックで展開）

python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt
pip install -e .

3. configファイルを配置

cp ~/Downloads/experiment_name.json configs/

Step 3

QNN色推定モデルを訓練

棋譜データを使って量子ニューラルネットワークを訓練

棋譜データについて（クリックで展開）

ファイル	サイズ	内容
`diverse_3000.pkl`	624MB	3000ゲーム（推奨）
`diverse_filtered.pkl`	487MB	ドロー除外版
`efficient_50k.pkl`	93MB	前処理済みデータ

訓練コマンド

source venv/bin/activate

python scripts/train.py \
    --config configs/experiment_name.json \
    --trajectory-path data/trajectories/diverse_3000.pkl \
    --n-epochs 50

主要オプション

--n-epochs: エポック数（50-100推奨）
--batch-size: バッチサイズ（128推奨）

訓練時間の目安

ローカル環境: 約30分〜1時間
Google Colab: 約15-30分

出力ファイル

experiments/qnn/<timestamp>/
├── best_model.pth      # 最良モデル（これを提出）
├── final_model.pth     # 最終エポックのモデル
└── config.json         # 使用した設定

Step 4

QuAicにモデルを提出

訓練済みモデルをアップロードして競技に参加

1best_model.pth ファイルを確認
2「リーダーボード」または「マイモデル」ページを開く
3.pth ファイルをアップロード
4自動検証完了後、競技に参加可能

検証プロセス

アップロードされたモデルは自動的に検証されます。検証が成功すると「検証済み」ステータスになり、競技に参加できます。