論文の概要: Quantum Generative Diffusion Model
- arxiv url: http://arxiv.org/abs/2401.07039v1
- Date: Sat, 13 Jan 2024 10:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 20:22:01.170752
- Title: Quantum Generative Diffusion Model
- Title(参考訳): 量子生成拡散モデル
- Authors: Chuangtao Chen and Qinglin Zhao
- Abstract要約: 量子生成拡散モデル(Quantum Generative Diffusion Model, QGDM)は、量子状態アンサンブルを生成するための完全な量子力学的モデルである。
QGDMは、時間に依存したノイズを量子状態に導入する拡散過程を特徴としている。
最大8量子ビットを含むタスクに対して、優れた生成能力を保ちながら、補助量子ビットの必要性を最小限に抑えるQGDMのリソース効率の良いバージョンを提案する。
- 参考スコア(独自算出の注目度): 0.7977229957867866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the Quantum Generative Diffusion Model (QGDM), a fully
quantum-mechanical model for generating quantum state ensembles, inspired by
Denoising Diffusion Probabilistic Models. QGDM features a diffusion process
that introduces timestep-dependent noise into quantum states, paired with a
denoising mechanism trained to reverse this contamination. This model
efficiently evolves a completely mixed state into a target quantum state
post-training. Our comparative analysis with Quantum Generative Adversarial
Networks demonstrates QGDM's superiority, with fidelity metrics exceeding 0.99
in numerical simulations involving up to 4 qubits. Additionally, we present a
Resource-Efficient version of QGDM (RE-QGDM), which minimizes the need for
auxiliary qubits while maintaining impressive generative capabilities for tasks
involving up to 8 qubits. These results showcase the proposed models' potential
for tackling challenging quantum generation problems.
- Abstract(参考訳): 本稿では,量子状態アンサンブルを生成するための完全量子力学的モデルである量子生成拡散モデル(QGDM)を紹介する。
QGDMは、時間に依存したノイズを量子状態に導入する拡散過程を特徴としている。
このモデルは、完全に混合した状態を標的量子状態に効率よく進化させる。
量子生成型adversarial networkとの比較分析により,qgdmは最大4量子ビットを含む数値シミュレーションにおいて0.99以上の忠実度で優れていることが示された。
さらに,最大8量子ビットを含むタスクに対して,優れた生成能力を保ちながら,補助量子ビットの必要性を最小限に抑えるQGDM(Resource-Efficient Version of QGDM)を提案する。
これらの結果は、量子生成問題に挑戦するモデルの可能性を示している。
関連論文リスト
- GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳(メタデータ) (2024-01-25T11:11:16Z) - Quantum Denoising Diffusion Models [4.763438526927999]
2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。
我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
論文 参考訳(メタデータ) (2024-01-13T11:38:08Z) - Quantum Diffusion Models [0.0]
生成拡散モデルの量子バージョンを提案する。
このアルゴリズムでは、量子状態を直接生成するために、ニューラルネットワークをパラメータ化量子回路に置き換える。
我々は、このアルゴリズムの完全量子バージョンと潜在量子バージョンの両方を示し、これらのモデルの条件付きバージョンも提示する。
論文 参考訳(メタデータ) (2023-11-26T22:07:12Z) - 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) - Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。
本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。
提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
論文 参考訳(メタデータ) (2023-02-08T19:38:59Z) - Dynamical mean-field theory for the Hubbard-Holstein model on a quantum
device [0.0]
本稿では,IBM 27-qubit Quantum Falcon Processor Kawasaki上でのHubbard-Holsteinモデルに対する動的平均場理論(DMFT)不純物問題の解法について報告する。
これにより、周波数依存相互作用を伴うボゾン自由度と不純物問題に結合した強い相関電子系を研究できる可能性が開ける。
論文 参考訳(メタデータ) (2023-01-05T00:36:21Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Multi-state quantum simulations via model-space quantum imaginary time
evolution [0.0]
量子想像時間進化(QITE)にモデル空間の枠組みを導入する。
QITEは、量子コンピュータを用いて基底状態と励起状態の安定した推定を可能にする。
我々は,MSQITEにおけるユニタリ近似のレベルの違いが,結果に与える影響を実証する。
論文 参考訳(メタデータ) (2022-06-09T13:25:21Z) - 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) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳(メタデータ) (2021-04-30T20:38:41Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳(メタデータ) (2020-06-28T23:44:12Z)
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。