論文の概要: Mixed-State Quantum Denoising Diffusion Probabilistic Model
- arxiv url: http://arxiv.org/abs/2411.17608v1
- Date: Tue, 26 Nov 2024 17:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:33:07.707652
- Title: Mixed-State Quantum Denoising Diffusion Probabilistic Model
- Title（参考訳）: 混合状態量子 Denoising Diffusion Probabilistic Model
- Authors: Gino Kwun, Bingzhi Zhang, Quntao Zhuang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.40964539027092906
- License:
- Abstract: Generative quantum machine learning has gained significant attention for its ability to produce quantum states with desired distributions. Among various quantum generative models, quantum denoising diffusion probabilistic models (QuDDPMs) [Phys. Rev. Lett. 132, 100602 (2024)] provide a promising approach with stepwise learning that resolves the training issues. However, the requirement of high-fidelity scrambling unitaries in QuDDPM poses a challenge in near-term implementation. We propose the \textit{mixed-state quantum denoising diffusion probabilistic model} (MSQuDDPM) to eliminate the need for scrambling unitaries. Our approach focuses on adapting the quantum noise channels to the model architecture, which integrates depolarizing noise channels in the forward diffusion process and parameterized quantum circuits with projective measurements in the backward denoising steps. We also introduce several techniques to improve MSQuDDPM, including a cosine-exponent schedule of noise interpolation, the use of single-qubit random ancilla, and superfidelity-based cost functions to enhance the convergence. We evaluate MSQuDDPM on quantum ensemble generation tasks, demonstrating its successful performance.
- Abstract（参考訳）: 生成量子機械学習は、所望の分布を持つ量子状態を生成する能力において大きな注目を集めている。
様々な量子生成モデルの中で、量子分解拡散確率モデル (QuDDPMs) [Phys. Rev. Lett. 132, 100602 (2024)] は、トレーニング問題を解くための段階学習を伴う有望なアプローチを提供する。
しかし、QuDDPMにおける高忠実なスクランブルユニタリの要求は、短期的な実装において課題となる。
本稿では,ユニタリーのスクランブル化を回避するために,<textit{mixed-state quantum denoising diffusion probabilistic model} (MSQuDDPM)を提案する。
提案手法は,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を,後方除極ステップにおける射影的計測とを統合したモデルアーキテクチャへの量子ノイズチャネルの適応に焦点をあてる。
また,MSQuDDPMの改良手法として,ノイズ補間における余剰なスケジュール,単一量子乱数アンシラの利用,収束性を高めるための超忠実度に基づくコスト関数などを紹介した。
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。
関連論文リスト
- Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits [10.073911279652918]
量子ノイズと拡散モデルの関係について検討する。
本稿では,PQCにおける量子ノイズを軽減するために,拡散に着想を得た新しい学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T19:35:38Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - 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) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Flexible Error Mitigation of Quantum Processes with Data Augmentation
Empowered Neural Model [9.857921247636451]
誤り軽減のためのデータ拡張強化型ニューラルモデルを提案する。
我々のモデルは、特定のノイズタイプや測定設定に関する事前の知識を必要としない。
対象の量子プロセスのノイズ測定結果のみからノイズフリー統計を推定することができる。
論文 参考訳（メタデータ） (2023-11-03T05:52:14Z) - Generative quantum machine learning via denoising diffusion
probabilistic models [17.439525936236166]
量子データの効率よく学習可能な生成学習を実現するために,QuDDPM(quantum denoising diffusion probabilistic Model)を提案する。
本稿では,量子ノイズモデル,量子多体位相,および量子データの位相構造を学習するQuDDPMの機能を示す。
論文 参考訳（メタデータ） (2023-10-09T17:03:08Z) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - Policy Gradient based Quantum Approximate Optimization Algorithm [2.5614220901453333]
本稿では,QAOAの変動パラメータをノイズキャンバス方式で最適化するために,政策段階に基づく強化学習アルゴリズムが適していることを示す。
単一および多ビット系における量子状態伝達問題に対するアルゴリズムの性能解析を行う。
論文 参考訳（メタデータ） (2020-02-04T00:46:51Z)
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。