Bibliothèque Python multiplateforme pour l'informatique quantique, l'apprentissage machine quantique et la chimie quantique. Permet de construire et d'entraîner des circuits quantiques avec différentiation automatique, intégration transparente avec PyTorch/JAX/TensorFlow, et exécution indépendante de l'appareil sur des simulateurs et du matériel quantique (IBM, Amazon Braket, Google, Rigetti, IonQ, etc.). Utilisez-la lors du travail avec des circuits quantiques, des algorithmes quantiques variationnels (VQE, QAOA), des réseaux neuronaux quantiques, des modèles hybrides quantiques-classiques, des simulations moléculaires, des calculs de chimie quantique ou toute tâche d'informatique quantique nécessitant une optimisation basée sur le gradient, une programmation indépendante du matériel ou des workflows d'apprentissage machine quantique.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Générez une documentation d'API complète avec des exemples clairs de requête/réponse.
Créer des documents d'intégration pour les développeurs incluant des extraits de code et des diagrammes d'architecture.
Visualisez les interactions de systèmes complexes grâce à des diagrammes d'architecture détaillés.
Fournissez des exemples de code avec coloration syntaxique pour une intégration rapide par les développeurs.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduisez le temps de génération de documentation de quelques heures à quelques minutes.
Maintenir une mise en forme et un style uniformes dans toute la documentation technique.
Accélérez la compréhension des développeurs grâce à une documentation claire et structurée.
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés
Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Générez et maintenez les fichiers AGENTS.md conformément à la convention publique agents.md. Utilisez-le lors de la création de documentation pour les flux de travail des agents IA, les guides d’intégration ou lors de la standardisation des modèles d’interaction des agents à travers les projets.