論文の概要: Protocols for classically training quantum generative models on
probability distributions
- arxiv url: http://arxiv.org/abs/2210.13442v2
- Date: Fri, 6 Oct 2023 13:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 15:58:20.823847
- Title: Protocols for classically training quantum generative models on
probability distributions
- Title（参考訳）: 確率分布に関する量子生成モデルの古典的学習のためのプロトコル
- Authors: Sachin Kasture, Oleksandr Kyriienko, Vincent E. Elfving
- Abstract要約: 量子生成モデリング(QGM)は、量子状態を作成し、サンプルを隠れた(あるいは既知の)確率分布として生成することに依存する。
そこで本研究では,QGMの高速勾配を考慮した回路に基づく古典的学習手法を提案する。
通常のデスクトップコンピュータ上で最大30キュービットの確率分布を用いたIQP回路のエンドツーエンドのトレーニングを数値的に示す。
- 参考スコア（独自算出の注目度）: 17.857341127079305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Generative Modelling (QGM) relies on preparing quantum states and
generating samples from these states as hidden - or known - probability
distributions. As distributions from some classes of quantum states (circuits)
are inherently hard to sample classically, QGM represents an excellent testbed
for quantum supremacy experiments. Furthermore, generative tasks are
increasingly relevant for industrial machine learning applications, and thus
QGM is a strong candidate for demonstrating a practical quantum advantage.
However, this requires that quantum circuits are trained to represent
industrially relevant distributions, and the corresponding training stage has
an extensive training cost for current quantum hardware in practice. In this
work, we propose protocols for classical training of QGMs based on circuits of
the specific type that admit an efficient gradient computation, while remaining
hard to sample. In particular, we consider Instantaneous Quantum Polynomial
(IQP) circuits and their extensions. Showing their classical simulability in
terms of the time complexity, sparsity and anti-concentration properties, we
develop a classically tractable way of simulating their output probability
distributions, allowing classical training to a target probability
distribution. The corresponding quantum sampling from IQPs can be performed
efficiently, unlike when using classical sampling. We numerically demonstrate
the end-to-end training of IQP circuits using probability distributions for up
to 30 qubits on a regular desktop computer. When applied to industrially
relevant distributions this combination of classical training with quantum
sampling represents an avenue for reaching advantage in the NISQ era.
- Abstract（参考訳）: qgm(quantum generative modelling)は、量子状態の生成とそれらの状態からのサンプル生成を隠れた確率分布として依存する。
ある種の量子状態(回路)の分布は古典的にはサンプリングが難しいため、QGMは量子超越実験において優れたテストベッドである。
さらに、生成タスクは産業用機械学習アプリケーションにますます関係しているため、QGMは実用的な量子優位性を示す強力な候補である。
しかし、これには量子回路を工業的に関連のある分布を表すように訓練することが必要であり、それに対応する訓練段階は現在の量子ハードウェアの訓練コストが膨大である。
そこで本研究では,効率的な勾配計算を行う特定のタイプの回路をベースとしたQGMの古典的訓練のためのプロトコルを提案する。
特に、Instantaneous Quantum Polynomial(IQP)回路とその拡張について考察する。
時間的複雑性, 疎度, 反集束特性の観点から, それらの古典的シミュラビリティを示すことによって, 出力確率分布をシミュレートし, 古典的トレーニングを目標確率分布にすることができる。
IQPの量子サンプリングは、古典的なサンプリングとは異なり、効率的に行うことができる。
デスクトップコンピュータ上で最大30キュービットの確率分布を用いたiqp回路のエンドツーエンドトレーニングを数値的に示す。
産業的に関係のある分布に適用すると、古典的なトレーニングと量子サンプリングの組み合わせは、NISQ時代に優位に立つための道のりである。
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) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Learning hard distributions with quantum-enhanced Variational
Autoencoders [2.545905720487589]
量子相関を用いて古典的VAEの忠実度を向上させる量子強化型VAE(QeVAE)を提案する。
経験的に、QeVAEは量子状態のいくつかのクラスにおいて古典的モデルよりも優れていることを示す。
我々の研究は、量子生成学習アルゴリズムの新しい応用の道を開いた。
論文 参考訳（メタデータ） (2023-05-02T16:50:24Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - 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) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳（メタデータ） (2022-05-10T08:05:59Z) - Quantum-enhanced Markov chain Monte Carlo [0.22166578153935784]
いくつかのアプリケーションにおいてボトルネックとなる分布のサンプリングに量子アルゴリズムを導入する。
それぞれのステップで、量子プロセッサは重ね合わせのモデルを探索し、ランダムな動きを提案し、古典的なコンピュータで受け入れられるか拒否される。
この量子アルゴリズムは、関連する問題インスタンス上の典型的なMCMC代替よりも少ないイテレーションで収束する。
論文 参考訳（メタデータ） (2022-03-23T15:50:12Z) - 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) - Every Classical Sampling Circuit is a Quantum Sampling Circuit [0.8122270502556371]
このノートは、ある確率分布を符号化する量子状態である「Q-marginals」を紹介している。
これは、興味の確率分布の古典的な回路サンプリングから直接作成できることを示している。
論文 参考訳（メタデータ） (2021-09-10T12:52:23Z) - Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。
このような量子相関が生成モデリングの強力な資源となることを理論的に示す。
この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
論文 参考訳（メタデータ） (2021-01-20T22:57:22Z)
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。