論文の概要: A New Initial Distribution for Quantum Generative Adversarial Networks
to Load Probability Distributions
- arxiv url: http://arxiv.org/abs/2306.12303v1
- Date: Wed, 21 Jun 2023 14:33:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 12:59:01.146144
- Title: A New Initial Distribution for Quantum Generative Adversarial Networks
to Load Probability Distributions
- Title（参考訳）: 確率分布を負荷する量子生成逆ネットワークのための新しい初期分布
- Authors: Yuichi Sano, Ryosuke Koga, Masaya Abe, Kei Nakagawa
- Abstract要約: 本稿では,qGANの学習効率を向上させる初期分布生成手法を提案する。
本手法は,浅い量子回路の様々な確率分布を生成するために,ラベル置換の古典的プロセスを用いる。
- 参考スコア（独自算出の注目度）: 4.043200001974071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computers are gaining attention for their ability to solve certain
problems faster than classical computers, and one example is the quantum
expectation estimation algorithm that accelerates the widely-used Monte Carlo
method in fields such as finance. A previous study has shown that quantum
generative adversarial networks(qGANs), a quantum circuit version of generative
adversarial networks(GANs), can generate the probability distribution necessary
for the quantum expectation estimation algorithm in shallow quantum circuits.
However, a previous study has also suggested that the convergence speed and
accuracy of the generated distribution can vary greatly depending on the
initial distribution of qGANs' generator. In particular, the effectiveness of
using a normal distribution as the initial distribution has been claimed, but
it requires a deep quantum circuit, which may lose the advantage of qGANs.
Therefore, in this study, we propose a novel method for generating an initial
distribution that improves the learning efficiency of qGANs. Our method uses
the classical process of label replacement to generate various probability
distributions in shallow quantum circuits. We demonstrate that our proposed
method can generate the log-normal distribution, which is pivotal in financial
engineering, as well as the triangular distribution and the bimodal
distribution, more efficiently than current methods. Additionally, we show that
the initial distribution proposed in our research is related to the problem of
determining the initial weights for qGANs.
- Abstract（参考訳）: 量子コンピュータは、古典的コンピュータよりも早く特定の問題を解く能力に注目が集まっており、例えば金融などの分野で広く使われているモンテカルロ法を加速する量子期待推定アルゴリズムがある。
先程の研究では、生成逆数ネットワーク(GAN)の量子回路バージョンである量子生成逆数ネットワーク(qGANs)が、浅い量子回路における量子期待推定アルゴリズムに必要な確率分布を生成できることが示されている。
しかし、以前の研究では、生成した分布の収束速度と精度は、qGANs発生器の初期分布によって大きく異なることが示唆されている。
特に、正規分布を初期分布として用いる効果は主張されているが、深い量子回路が必要であり、これはqGANの利点を失う可能性がある。
そこで本研究では,qganの学習効率を向上させるための初期分布生成法を提案する。
浅層量子回路における様々な確率分布を生成するためにラベル置換の古典過程を用いる。
提案手法は, 財務工学において重要な対数正規分布と, 三角分布と双モード分布を, 現在の方法よりも効率的に生成できることを実証する。
さらに,本研究で提案した初期分布は,qGANの初期重みを決定する問題と関連していることを示す。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Efficient quantum loading of probability distributions through Feynman
propagators [2.56711111236449]
我々は、ハミルトニアンシミュレーションを用いて確率分布のロードのための量子アルゴリズムを、$hat H= Delta + V(x) mathbbI$ という形の1次元ハミルトニアンに対して提示する。
我々は、ファインマンプロパゲーターが解析的に閉じた形式を持つことが知られているポテンシャル$V(x)$を考え、これらのハミルトニアンを用いて確率分布を量子状態にロードする。
論文 参考訳（メタデータ） (2023-11-22T21:41:58Z) - Connection between single-layer Quantum Approximate Optimization
Algorithm interferometry and thermal distributions sampling [0.0]
固有状態の振幅と単層QAOAによって生成されるボルツマン分布の理論的導出を拡張する。
我々はまた、この行動が実践的および基本的視点の両方から持つ意味についてもレビューする。
論文 参考訳（メタデータ） (2023-10-13T15:06:58Z) - Quantum state preparation for bell-shaped probability distributions using deconvolution methods [0.0]
量子データをロードするための古典量子ハイブリッド手法を提案する。
本稿では,Jensen-Shannon距離をコスト関数として用いて,古典的なステップから得られる結果の近接度と目標分布を定量化する。
デコンボリューションステップからの出力は、与えられた確率分布をロードするために必要な量子回路を構築するために使用される。
論文 参考訳（メタデータ） (2023-10-08T06:55:47Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - Protocols for classically training quantum generative models on
probability distributions [17.857341127079305]
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。
論文 参考訳（メタデータ） (2022-10-24T17:57:09Z) - A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。
ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文 参考訳（メタデータ） (2022-07-07T08:04:15Z) - 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) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - 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)
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。