論文の概要: Generative quantum machine learning via denoising diffusion probabilistic models

• arxiv url: http://arxiv.org/abs/2310.05866v3
• Date: Thu, 1 Feb 2024 16:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 18:59:36.047714
• Title: Generative quantum machine learning via denoising diffusion probabilistic models
• Title（参考訳）: denoising diffusion probabilistic modelによる生成量子機械学習
• Authors: Bingzhi Zhang, Peng Xu, Xiaohui Chen and Quntao Zhuang
• Abstract要約: 量子生成モデルは、絡み合いと重ね合わせによって強化され、古典的および量子データの学習に新たな洞察をもたらした。 本稿では,量子データの効率的な学習を可能にするために,拡散確率モデル(QuDDPM)を提案する。
• 参考スコア（独自算出の注目度）: 17.439525936236166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models are key-enabling technology to computer vision, text generation and large language models. Denoising diffusion probabilistic models (DDPMs) have recently gained much attention due to their ability to generate diverse and high-quality samples in many computer vision tasks, as well as to incorporate flexible model architectures and relatively simple training scheme. Quantum generative models, empowered by entanglement and superposition, have brought new insight to learning classical and quantum data. Inspired by the classical counterpart, we propose the \emph{quantum denoising diffusion probabilistic model} (QuDDPM) to enable efficiently trainable generative learning of quantum data. QuDDPM adopts sufficient layers of circuits to guarantee expressivity, while introduces multiple intermediate training tasks as interpolation between the target distribution and noise to avoid barren plateau and guarantee efficient training. We provide bounds on the learning error and demonstrate QuDDPM's capability in learning correlated quantum noise model, quantum many-body phases and topological structure of quantum data. The results provide a paradigm for versatile and efficient quantum generative learning.
• Abstract（参考訳）: 深層生成モデルはコンピュータビジョン、テキスト生成、および大規模言語モデルにとって重要な技術である。 denoising diffusion probabilistic models (ddpms) は、多くのコンピュータビジョンタスクで多様で高品質なサンプルを生成する能力と、柔軟なモデルアーキテクチャと比較的単純なトレーニングスキームを組み込むことによって、最近注目を集めている。 量子生成モデルは、絡み合いと重ね合わせによって強化され、古典的および量子データの学習に新たな洞察をもたらした。 古典的手法に着想を得て,量子データの効率的な学習を可能にするために,拡散確率モデルQuDDPM(emph{quantum denoising diffusion probabilistic model)を提案する。 quddpmは、表現性を保証するのに十分な回路層を採用する一方で、ターゲット分布とノイズの補間として複数の中間トレーニングタスクを導入し、不毛高原を避け、効率的なトレーニングを保証する。 学習誤差の境界を提供し,量子ノイズモデル,量子多体位相,量子データのトポロジカル構造を学習する上でのquddpmの能力を示す。 この結果は、汎用的で効率的な量子生成学習のパラダイムを提供する。

関連論文リスト

• Mixed-State Quantum Denoising Diffusion Probabilistic Model [0.40964539027092906]
  本稿では,混合状態量子復調拡散確率モデル(MSQuDDPM)を提案する。 MSQuDDPMは、前方拡散過程における脱分極ノイズチャネルとパラメータ化量子回路と、後方除極ステップにおける射影測定を統合する。 量子アンサンブル生成タスクにおけるMSQuDDPMの評価を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:20:58Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Generative Quantum Machine Learning [0.0]
  この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。 本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
  論文  参考訳（メタデータ） (2021-11-24T19:00:21Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• Noise robustness and experimental demonstration of a quantum generative adversarial network for continuous distributions [0.5249805590164901]
  連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。 また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。 我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
  論文  参考訳（メタデータ） (2020-06-02T23:14:45Z)

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。