論文の概要: Expressivity of parameterized quantum circuits for generative modeling
of continuous multivariate distributions
- arxiv url: http://arxiv.org/abs/2402.09848v1
- Date: Thu, 15 Feb 2024 10:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:02:02.638991
- Title: Expressivity of parameterized quantum circuits for generative modeling
of continuous multivariate distributions
- Title(参考訳): 連続多変量分布生成モデルのためのパラメータ化量子回路の表現性
- Authors: Alice Barthe, Michele Grossi, Sofia Vallecorsa, Jordi Tura, and Vedran
Dunjko
- Abstract要約: 本研究では,期待値サンプリングモデルに焦点をあてる。
多変量分布の生成のための変分量子アルゴリズムの普遍性を証明する。
我々の結果は、生成モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
- 参考スコア(独自算出の注目度): 1.118478900782898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parameterized quantum circuits have been extensively used as the basis for
machine learning models in regression, classification, and generative tasks.
For supervised learning their expressivity has been thoroughly investigated and
several universality properties have been proven. However, in the case of
quantum generative modeling, the situation is less clear, especially when the
task is to model distributions over continuous variables. In this work, we
focus on expectation value sampling-based models; models where random variables
are sampled classically, encoded with a parametrized quantum circuit, and the
expectation value of fixed observables is measured and returned as a sample. We
prove the universality of such variational quantum algorithms for the
generation of multivariate distributions. Additionally, we provide a detailed
analysis of these models, including fundamental upper bounds on the
dimensionality of the distributions these models can represent. We further
present a tight trade-off result connecting the needed number of measurements
and qubit numbers in order to have universality for a desired dimension of
output distribution within an error tolerance. Finally we also show that the
data encoding strategy relates to the so-called polynomial chaos expansion,
which is an analog of the Fourier expansion. Our results may help guide the
design of future quantum circuits in generative modeling tasks.
- Abstract(参考訳): パラメータ化量子回路は回帰、分類、生成タスクにおける機械学習モデルの基盤として広く使われている。
教師付き学習のために、それらの表現性は徹底的に研究され、いくつかの普遍性特性が証明されている。
しかしながら、量子生成モデリングの場合、特に連続変数上の分布をモデル化するタスクの場合、その状況は明確ではない。
本研究では,古典的にランダム変数をサンプリングし,パラメトリック化量子回路で符号化し,固定オブザーバブルの期待値を計測し,サンプルとして返却する,期待値サンプリングベースモデルに着目した。
このような変分量子アルゴリズムの普遍性を多変量分布の生成に対して証明する。
さらに、これらのモデルが表現できる分布の次元性に関する基礎的な上限を含む、これらのモデルの詳細な解析を行う。
さらに、誤差許容範囲内の出力分布の所望次元の普遍性を確保するために、必要な測定値とキュービット数とを結合する厳密なトレードオフ結果を示す。
最後に、データ符号化戦略は、フーリエ展開の類似であるいわゆる多項式カオス展開に関連していることを示す。
この結果は、生成的モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
関連論文リスト
- Scaling and renormalization in high-dimensional regression [70.9098740785845]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳(メタデータ) (2024-05-01T15:59:00Z) - Random-matrix models of monitored quantum circuits [0.0]
量子ビットの非構造系に対するハールランダムユニタリ力学と測度との競合について検討する。
射影測定のために、クラス作用素の統計アンサンブルの様々な性質を導出する。
我々は、クラウス作用素の統計的性質が、観測された量子系の絡み合う位相のモデルとなることを期待する。
論文 参考訳(メタデータ) (2023-12-14T18:46:53Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。
本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。
量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
論文 参考訳(メタデータ) (2022-06-01T11:03:51Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳(メタデータ) (2022-01-21T16:35:35Z) - Divergence Frontiers for Generative Models: Sample Complexity,
Quantization Level, and Frontier Integral [58.434753643798224]
多様性フロンティアは生成モデルの評価フレームワークとして提案されている。
分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。
また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
論文 参考訳(メタデータ) (2021-06-15T06:26:25Z) - Learnability and Complexity of Quantum Samples [26.425493366198207]
量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。
一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか?
本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
論文 参考訳(メタデータ) (2020-10-22T18:45:25Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳(メタデータ) (2020-10-22T05:04:38Z) - Quantum-enhanced analysis of discrete stochastic processes [0.8057006406834467]
離散過程(DSP)の特性関数を計算する量子アルゴリズムを提案する。
時間ステップの数と線形にしか成長しない量子回路要素の数を用いて、確率分布を完全に定義する。
このアルゴリズムはすべての軌道を考慮に入れ、重要なサンプリングの必要性を排除している。
論文 参考訳(メタデータ) (2020-08-14T16:07:35Z) - Certified variational quantum algorithms for eigenstate preparation [0.0]
我々は変分アルゴリズムの終了を認証する手段を開発する。
逆場イジングモデル、競合する相互作用を持つ1次元スピンレスフェルミオンのモデル、量子電磁力学のシュウィンガーモデルという3つのモデルに適用することで、我々のアプローチを実証する。
論文 参考訳(メタデータ) (2020-06-23T18:00:00Z) - Quantum Statistical Complexity Measure as a Signalling of Correlation
Transitions [55.41644538483948]
本稿では, 量子情報理論の文脈において, 統計的複雑性尺度の量子バージョンを導入し, 量子次数-次数遷移のシグナル伝達関数として利用する。
我々はこの測度を2つの正確に解けるハミルトンモデル、すなわち1D$量子イジングモデルとハイゼンベルクXXZスピン-1/2$チェーンに適用する。
また、考察されたモデルに対して、この測度を1量子および2量子の還元状態に対して計算し、その挙動を有限系のサイズと熱力学的限界に対して解析する。
論文 参考訳(メタデータ) (2020-02-05T00:45:21Z)
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。