論文の概要: Shadow-Frugal Expectation-Value-Sampling Variational Quantum Generative Model

• arxiv url: http://arxiv.org/abs/2412.17039v1
• Date: Sun, 22 Dec 2024 14:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:57:29.259386
• Title: Shadow-Frugal Expectation-Value-Sampling Variational Quantum Generative Model
• Title（参考訳）: シャドウフルーガー期待値サンプリング変分量子生成モデル
• Authors: Kevin Shen, Andrii Kurkin, Adrián Pérez Salinas, Elvira Shishenina, Vedran Dunjko, Hao Wang,
• Abstract要約: 観測可能な予測値サンプリング(OT-EVS)を導入する。 結果として得られるモデルは、標準のEVSと比較して表現性を高めます。 本稿では,OT-EVSのニーズに適応した対向訓練手法を提案する。
• 参考スコア（独自算出の注目度）: 4.509315580235968
• License:
• Abstract: Expectation Value Samplers (EVSs) are quantum-computer-based generative models that can learn high-dimensional continuous distributions by measuring the expectation values of parameterized quantum circuits regarding selected observables. However, such models may require unaffordable quantum resources for good performance. This work explores the impact of observable choices on the EVS. We introduce an Observable-Tunable Expectation Value Sampler (OT-EVS). The resulting model provides enhanced expressivity as compared to standard EVS. By restricting our selectable observables, it is possible to use the classical shadow measurement scheme to reduce the sample complexity of our algorithm. We further propose an adversarial training method adapted to the needs of OT-EVS. This training prioritizes classical updates of observables, minimizing the more costly updates of quantum circuit parameters. Numerical experiments confirm our model's expressivity and sample efficiency advantages compared to previous designs, using an original simulation technique for correlated shot noise. We envision our proposal to encourage the exploration of continuous generative models running with few quantum resources.
• Abstract（参考訳）: 期待値サンプリング(英: expectation Value Samplers、EVS)は、選択された可観測物に関するパラメータ化量子回路の期待値を測定することで、高次元連続分布を学習できる量子コンピュータベースの生成モデルである。 しかし、そのようなモデルは、優れた性能を得るためには、不適切な量子資源を必要とするかもしれない。 この研究は、観測可能な選択がEVSに与える影響を探求する。 本稿では,OT-EVS(Observable-Tunable expectation Value Smpler)を紹介する。 結果として得られるモデルは、標準のEVSと比較して、表現性の向上を提供する。 選択可能なオブザーバブルを制限することにより、従来のシャドウ計測方式を用いて、アルゴリズムのサンプルの複雑さを低減することができる。 さらに,OT-EVSのニーズに適応した対向訓練手法を提案する。 このトレーニングは、観測可能な古典的な更新を優先し、量子回路パラメータのよりコストのかかる更新を最小限にする。 数値実験により, 従来の設計と比べ, モデル表現率, 試料効率の優位性を検証し, 相関ショットノイズのシミュレーション手法を用いて検証した。 量子資源の少ない連続生成モデルの探索を奨励する提案を期待する。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Parameterized quantum circuits as universal generative models for continuous multivariate distributions [1.118478900782898]
  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。 本研究では,予測値のサンプリングベースモデルを解明し,そのような変動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。
  論文  参考訳（メタデータ） (2024-02-15T10:08:31Z)
• Adaptive Conditional Quantile Neural Processes [9.066817971329899]
  条件量子ニューラルプロセス(CQNP)は、ニューラルプロセスファミリーの新たなメンバーである。 本稿では,情報量推定に焦点をあてることから学習する量子レグレッションの拡張を提案する。 実データと合成データセットによる実験は、予測性能を大幅に改善した。
  論文  参考訳（メタデータ） (2023-05-30T06:19:19Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• 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)
• Zero-shot Adversarial Quantization [11.722728148523366]
  ゼロショット逆量子化(ZAQ: Zero-shot adversarial quantization)フレームワークを提案し,効果的な不一致推定と知識伝達を容易にする。 これは、情報的で多様なデータ例を合成するためにジェネレータを駆動する、新しい2レベル不一致モデリングによって達成される。 強力なゼロショットベースラインに対してZAQの優位性を示す3つの基本的なビジョンタスクについて広範な実験を行います。
  論文  参考訳（メタデータ） (2021-03-29T01:33:34Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。