論文の概要: Protocols for Trainable and Differentiable Quantum Generative Modelling
- arxiv url: http://arxiv.org/abs/2202.08253v1
- Date: Wed, 16 Feb 2022 18:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-25 16:16:46.808256
- Title: Protocols for Trainable and Differentiable Quantum Generative Modelling
- Title（参考訳）: 学習可能な量子生成モデルのためのプロトコル
- Authors: Oleksandr Kyriienko, Annie E. Paine, Vincent E. Elfving
- Abstract要約: 微分可能量子回路(DQC)としての確率分布の学習手法を提案する。
我々はDQCベースのモデルのトレーニングを行い、そこでデータは位相特徴写像で潜在空間にエンコードされ、次に変動量子回路が続く。
これにより、シングルショットの読み出しを使ってパラメタライズドディストリビューションからの高速サンプリングが可能になる。
- 参考スコア（独自算出の注目度）: 21.24186888129542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an approach for learning probability distributions as
differentiable quantum circuits (DQC) that enable efficient quantum generative
modelling (QGM) and synthetic data generation. Contrary to existing QGM
approaches, we perform training of a DQC-based model, where data is encoded in
a latent space with a phase feature map, followed by a variational quantum
circuit. We then map the trained model to the bit basis using a fixed unitary
transformation, coinciding with a quantum Fourier transform circuit in the
simplest case. This allows fast sampling from parametrized distributions using
a single-shot readout. Importantly, simplified latent space training provides
models that are automatically differentiable, and we show how samples from
distributions propagated by stochastic differential equations (SDEs) can be
accessed by solving stationary and time-dependent Fokker-Planck equations with
a quantum protocol. Finally, our approach opens a route to multidimensional
generative modelling with qubit registers explicitly correlated via a (fixed)
entangling layer. In this case quantum computers can offer advantage as
efficient samplers, which perform complex inverse transform sampling enabled by
the fundamental laws of quantum mechanics. On a technical side the advances are
multiple, as we introduce the phase feature map, analyze its properties, and
develop frequency-taming techniques that include qubit-wise training and
feature map sparsification.
- Abstract（参考訳）: 本稿では,効率的な量子生成モデル(qgm)と合成データ生成を可能にする微分可能量子回路(dqc)として確率分布を学習する手法を提案する。
既存のQGMアプローチとは対照的に、我々はDQCベースのモデルのトレーニングを行い、そこではデータは位相特徴写像で潜在空間に符号化され、次に変動量子回路が続く。
次に、最も単純な場合において量子フーリエ変換回路と一致する固定ユニタリ変換を用いて、トレーニングされたモデルをビット基底にマッピングする。
これにより、シングルショットの読み出しを使ってパラメトリック分布から高速にサンプリングできる。
そして,確率微分方程式(sdes)によって伝播される分布からのサンプルを,量子プロトコルを用いて定常および時間依存のフォッカー・プランク方程式を解いて,どのようにアクセスできるかを示す。
最後に,量子ビットレジスタを(固定)エンタング層を介して明示的に関連付ける多次元生成モデリングへの道を開く。
この場合、量子コンピュータは、量子力学の基本法則によって実現される複雑な逆変換サンプリングを実行する効率的なサンプリング器として利用できる。
技術的な面では、フェーズフィーチャーマップを導入し、その特性を分析し、qubit-wiseトレーニングやフィーチャーマップスパーシフィケーションを含む周波数タグ技術を開発することで、進歩は多様です。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Quantum Chebyshev Transform: Mapping, Embedding, Learning and Sampling
Distributions [18.124351208075062]
システムサイズで指数関数的に増加する振幅を持つ量子状態にデータをエンコードする方法を示す。
指数容量の正則なチェビシェフ基底を生成するための埋め込み回路を提案する。
これにより、モデルの自動微分が可能となり、微分方程式の解法が開かれる。
論文 参考訳（メタデータ） (2023-06-29T15:19:32Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Implementation and Learning of Quantum Hidden Markov Models [0.0]
量子隠れマルコフモデル(QHMM)に対する一元的パラメータ化と効率的な学習アルゴリズムを提案する。
量子チャネルのよりリッチなダイナミクスを活用することで、従来のものに比べて量子発生器の効率が向上することを示した。
我々は,任意のQHMMを,中間回路計測による量子回路を用いて効率的に実装し,シミュレーションすることができることを示す。
論文 参考訳（メタデータ） (2022-12-07T17:25:02Z) - On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。
本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。
量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
論文 参考訳（メタデータ） (2022-06-01T11:03:51Z) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳（メタデータ） (2021-10-11T18:00:20Z) - Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。
本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文 参考訳（メタデータ） (2021-08-24T15:30:04Z) - Quantum Quantile Mechanics: Solving Stochastic Differential Equations
for Generating Time-Series [19.830330492689978]
微分方程式(SDE)の解からサンプリングする量子アルゴリズムを提案する。
我々は、基礎となる確率分布の量子関数を表現し、サンプルを期待値として抽出する。
本手法は,Ornstein-Uhlenbeck過程をシミュレーションし,初期点と異なるタイミングでサンプリングすることによって検証する。
論文 参考訳（メタデータ） (2021-08-06T16:14:24Z) - Learnability and Complexity of Quantum Samples [26.425493366198207]
量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。
一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか?
本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
論文 参考訳（メタデータ） (2020-10-22T18:45:25Z)
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。