論文の概要: Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble

• arxiv url: http://arxiv.org/abs/2401.07039v2
• Date: Mon, 3 Jun 2024 13:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-04 19:42:23.638082
• Title: Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble
• Title（参考訳）: 量子生成拡散モデル:量子状態アンサンブル生成のための完全量子力学モデル
• Authors: Chuangtao Chen, Qinglin Zhao, MengChu Zhou, Zhimin He, Zhili Sun, Haozhen Situ,
• Abstract要約: 古典拡散モデルの単純かつエレガントな量子対向体である量子生成拡散モデル(QGDM)を紹介する。 我々のモデルは勾配勾配勾配を用いた凸距離関数を最適化するため、量子生成逆数ネットワーク(QGAN)よりも収束性能がよい。 特に, 混合状態生成タスクにおいてQGANよりも53.03%高い忠実度が得られる。
• 参考スコア（独自算出の注目度）: 40.06696963935616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical diffusion models have shown superior generative results and have been applied to many problems. Exploring these models in the quantum domain can advance the field of quantum generative learning. In this paper, we introduce the Quantum Generative Diffusion Model (QGDM), a simple and elegant quantum counterpart of classical diffusion models. The core idea of QGDM is that any target quantum state can be transformed into a completely mixed state, which has the highest entropy and maximum uncertainty about the system, through a non-unitary forward process. Subsequently, a trainable backward process can be used to recover the target state from the completely mixed state. The design requirements for QGDM's backward process include ensuring non-unitarity while maintaining a low number of parameters. To achieve this, we introduce partial trace operations in the backward process to enforce non-unitary. Additionally, we control the number of trainable parameters by using a parameter-sharing strategy and incorporating temporal information as an input in the backward process. Furthermore, we introduce a resource-efficient version of QGDM, which reduces the number of auxiliary qubits while preserving impressive generative capabilities. Our proposed models exhibit better convergence performance than Quantum Generative Adversarial Networks (QGANs) because our models optimize a convex distance function using gradient descent. Comparative results with QGANs demonstrate the effectiveness of our models in generating both pure and mixed quantum states. Notably, our models achieve 53.03% higher fidelity in mixed-state generation tasks compared to QGANs. These results highlight the potential of the proposed models to tackle challenging quantum generation tasks.
• Abstract（参考訳）: 古典的拡散モデルは優れた生成結果を示し、多くの問題に適用されている。 量子領域でこれらのモデルを探索することで、量子生成学習の分野を前進させることができる。 本稿では,古典拡散モデルの単純かつエレガントな量子対向体である量子生成拡散モデル(QGDM)を紹介する。 QGDMの中核的な考え方は、任意の標的量子状態が完全に混合状態に変換され、非単体フォワードプロセスによって、システムに対する最も高いエントロピーと最大の不確実性を持つ。 その後、トレーニング可能な後方プロセスを使用して、完全に混合された状態から目標状態を回復することができる。 QGDMの下位プロセスの設計要件は、低数のパラメータを維持しながら、非ユニタリティを保証することである。 これを実現するために,非単体化を強制する後方処理に部分的トレース演算を導入する。 さらに、パラメータ共有戦略を用いてトレーニング可能なパラメータの数を制御し、時間情報を入力として後進プロセスに組み込む。 さらに,QGDMの資源効率向上版を導入し,優れた生成能力を保ちながら,補助量子ビットの数を削減した。 提案モデルでは,勾配勾配を用いた凸距離関数を最適化するため,量子生成逆数ネットワーク(QGAN)よりも収束性能がよい。 QGANとの比較により、純量子状態と混合量子状態の両方を生成する際のモデルの有効性が示された。 特に, 混合状態生成タスクにおいてQGANよりも53.03%高い忠実度が得られる。 これらの結果は、量子生成課題に取り組むための提案されたモデルの可能性を強調している。

関連論文リスト

• Enhancing Quantum Diffusion Models with Pairwise Bell State Entanglement [35.436358464279785]
  本稿では、ノイズ中間スケール量子(NISQ)デバイス向けに設計された新しい量子拡散モデルを提案する。 量子絡み合いと重ね合わせを利用して、このアプローチは量子生成学習を前進させる。
  論文  参考訳（メタデータ） (2024-11-24T20:14:57Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)
• Variational-quantum-eigensolver-inspired optimization for spin-chain work extraction [39.58317527488534]
  量子源からのエネルギー抽出は、量子電池のような新しい量子デバイスを開発するための重要なタスクである。 量子源からエネルギーを完全に抽出する主な問題は、任意のユニタリ演算をシステム上で行うことができるという仮定である。 本稿では,変分量子固有解法(VQE)アルゴリズムにインスパイアされた抽出可能エネルギーの最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T15:59:54Z)
• 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)
• Simulating non-unitary dynamics using quantum signal processing with unitary block encoding [0.0]
  我々は、資源フルーガル量子信号処理の最近の進歩に適応し、量子コンピュータ上での非一元的想像時間進化を探求する。 所望の仮想時間発展状態の回路深度を最適化する手法と,その実現可能性を試行する。 非単体力学のQET-Uは柔軟で直感的で使いやすく、シミュレーションタスクにおける量子優位性を実現する方法を提案する。
  論文  参考訳（メタデータ） (2023-03-10T19:00:33Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• 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)
• Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors [0.0]
  連続可変量子計算に用いる新しい量子GAN(qGAN)のプロトタイプを導入し,解析する。 量子と古典的判別器を備えた2つのCV qGANモデルを用いて、小型でカロリーの出力を再現する実験を行った。
  論文  参考訳（メタデータ） (2021-01-26T23:33:14Z)

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。