論文の概要: Mutual information maximizing quantum generative adversarial networks

• arxiv url: http://arxiv.org/abs/2309.01363v2
• Date: Wed, 01 Oct 2025 03:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.378362
• Title: Mutual information maximizing quantum generative adversarial networks
• Title（参考訳）: 量子生成対向ネットワークを最大化する相互情報
• Authors: Mingyu Lee, Myeongjin Shin, Junseo Lee, Kabgyun Jeong,
• Abstract要約: InfoQGANは、InfoGANの原理とQGANアーキテクチャを統合する量子古典的ハイブリッド生成対向ネットワークである。 InfoQGANは、量子発生器における頑健な特徴の絡み合いを達成しつつ、モード崩壊を効果的に軽減することを示す。 これらの結果は、NISQ時代の量子生成モデリングを進化させるアプローチとして、InfoQGANの可能性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 9.391818870557545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the most promising applications in the era of Noisy Intermediate-Scale Quantum (NISQ) computing is quantum generative adversarial networks (QGANs), which offer significant quantum advantages over classical machine learning in various domains. However, QGANs suffer from mode collapse and lack explicit control over the features of generated outputs. To overcome these limitations, we propose InfoQGAN, a novel quantum-classical hybrid generative adversarial network that integrates the principles of InfoGAN with a QGAN architecture. Our approach employs a variational quantum circuit for data generation, a classical discriminator, and a Mutual Information Neural Estimator (MINE) to explicitly optimize the mutual information between latent codes and generated samples. Numerical simulations on synthetic 2D distributions and Iris dataset augmentation demonstrate that InfoQGAN effectively mitigates mode collapse while achieving robust feature disentanglement in the quantum generator. By leveraging these advantages, InfoQGAN not only enhances training stability but also improves data augmentation performance through controlled feature generation. These results highlight the potential of InfoQGAN as a foundational approach for advancing quantum generative modeling in the NISQ era.
• Abstract（参考訳）: NISQ(Noisy Intermediate-Scale Quantum)コンピューティングの時代の最も有望な応用の1つは量子生成敵ネットワーク(QGAN)である。 しかし、QGANはモード崩壊に悩まされ、生成された出力の特徴に対する明確な制御が欠如している。 これらの制約を克服するため、InfoQGANは、InfoGANの原理とQGANアーキテクチャを統合する新しい量子古典的ハイブリッド生成対向ネットワークである。 提案手法では,データ生成のための変分量子回路,古典的判別器,および相互情報ニューラルネットワーク推定器(MINE)を用いて,潜時符号と生成されたサンプル間の相互情報を明示的に最適化する。 合成2次元分布とアイリスデータセットの増大に関する数値シミュレーションにより、InfoQGANは量子発生器における頑健な特徴の絡み合いを達成しつつ、モード崩壊を効果的に軽減することを示した。 これらの利点を活用することで、InfoQGANはトレーニングの安定性を向上するだけでなく、制御された機能生成によるデータ拡張のパフォーマンスも向上する。 これらの結果は、NISQ時代の量子生成モデリングを進化させる基礎的なアプローチとして、InfoQGANの可能性を浮き彫りにしている。

関連論文リスト

• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Problem-informed Graphical Quantum Generative Learning [0.3914676152740143]
  確率変数の共役確率分布を学習するための問題インフォームド量子回路Born Machine Ansatzを提案する。 モデルの性能を従来の設計と比較し,問題に依存しない回路よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-23T00:29:35Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• A General Approach to Dropout in Quantum Neural Networks [1.5771347525430772]
  オーバーフィッティング(Overfitting)とは、与えられたモデルがトレーニングデータを過度に学習した場合に発生する現象である。 量子ニューラルネットワークが学習モデルとして登場したことで、オーバーフィッティングが問題になるかもしれない。
  論文  参考訳（メタデータ） (2023-10-06T09:39:30Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• A Linear Algebraic Framework for Dynamic Scheduling Over Memory-Equipped Quantum Networks [2.5168553347063862]
  この研究は、量子ネットワークを交換する任意の絡み合いにおけるスケジューリングの問題に対処する。 中間絡み合いリンクの生成を通じて量子メモリを利用する線形代数的フレームワークを導入する。 さらに、マックスウェイトにインスパイアされたポリシーのクラスが提案され、ベンチマークされ、わずかな性能劣化の価格で大幅にコストを削減した。
  論文  参考訳（メタデータ） (2023-07-12T08:41:17Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• DQC$^2$O: Distributed Quantum Computing for Collaborative Optimization in Future Networks [54.03701670739067]
  本稿では、将来のネットワークにおける最適化タスクを解決するために、量子コンピュータと量子チャネルを管理するための適応型分散量子コンピューティング手法を提案する。 提案手法に基づいて,スマートグリッド管理やIoT連携,UAV軌道計画など,今後のネットワークにおける協調最適化の潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-09-16T02:44:52Z)
• A Quantum Generative Adversarial Network for distributions [0.0]
  我々は、完全に接続された量子生成適応ネットワークを開発し、特にボラティリティモデリングに焦点を当てた数学的ファイナンスにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-10-04T20:41:04Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。