論文の概要: Leveraging Diffusion Models for Parameterized Quantum Circuit Generation
- arxiv url: http://arxiv.org/abs/2505.20863v2
- Date: Thu, 05 Jun 2025 11:27:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 14:14:43.10484
- Title: Leveraging Diffusion Models for Parameterized Quantum Circuit Generation
- Title（参考訳）: パラメータ化量子回路生成のためのレバレッジ拡散モデル
- Authors: Daniel Barta, Darya Martyniuk, Johannes Jung, Adrian Paschke,
- Abstract要約: 我々は、量子回路(PQC)を合成するために、拡散モデル(DM)に基づく生成的アプローチを導入する。
我々は,高忠実度グリーンベルガー・ホーネ・ザイリンガー(GHZ)状態の生成に最適化されたPQCを合成し,量子機械学習(QML)分類タスクにおいて高い精度を達成するためのアプローチを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computing holds immense potential, yet its practical success depends on multiple factors, including advances in quantum circuit design. In this paper, we introduce a generative approach based on denoising diffusion models (DMs) to synthesize parameterized quantum circuits (PQCs). Extending the recent diffusion model pipeline of F\"urrutter et al. [1], our model effectively conditions the synthesis process, enabling the simultaneous generation of circuit architectures and their continuous gate parameters. We demonstrate our approach in synthesizing PQCs optimized for generating high-fidelity Greenberger-Horne-Zeilinger (GHZ) states and achieving high accuracy in quantum machine learning (QML) classification tasks. Our results indicate a strong generalization across varying gate sets and scaling qubit counts, highlighting the versatility and computational efficiency of diffusion-based methods. This work illustrates the potential of generative models as a powerful tool for accelerating and optimizing the design of PQCs, supporting the development of more practical and scalable quantum applications.
- Abstract（参考訳）: 量子コンピューティングは大きな可能性を秘めているが、実際の成功は量子回路設計の進歩を含む複数の要因に依存する。
本稿では,パラメータ化量子回路(PQC)を合成するために,拡散モデル(DM)に基づく生成手法を提案する。
F\"urrutter et al [1] の最近の拡散モデルパイプラインを拡張して,本モデルは合成過程を効果的に条件付け,回路アーキテクチャと連続ゲートパラメータの同時生成を可能にする。
我々は,高忠実度グリーンベルガー・ホーネ・ザイリンガー(GHZ)状態の生成に最適化されたPQCを合成し,量子機械学習(QML)分類タスクにおいて高い精度を達成するためのアプローチを実証する。
本結果は,様々なゲート集合と拡張キュービット数にまたがる強力な一般化を示し,拡散に基づく手法の汎用性と計算効率を強調した。
この研究は、PQCの設計を加速し最適化するための強力なツールとしての生成モデルの可能性を示し、より実用的でスケーラブルな量子アプリケーションの開発を支援する。
関連論文リスト
- TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors [64.50565018996328]
本稿では,与えられた量子プロセッサの平均値挙動を計算効率よくエミュレートする予測代理の概念を導入する。
これらのサロゲートを用いて、最大20個のプログラム可能な超伝導量子ビットを持つ量子プロセッサをエミュレートし、変分量子固有解器の効率的な事前学習を可能にする。
実験結果から, 予測サロゲートは測定オーバーヘッドを桁違いに低減するだけでなく, 従来の量子リソース集約的な手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-07-23T12:51:03Z) - Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling [5.258882634977828]
画像生成のための最初の完全量子拡散に基づくフレームワークであるQSC-Diffusionを提案する。
逆ノイズ発生のためのパラメータ化量子回路を用いる。
注目すべきは、QSC-Diffusionは複数のデータセット間で競合するFIDスコアを達成することだ。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Flowing Through Hilbert Space: Quantum-Enhanced Generative Models for Lattice Field Theory [0.9208007322096533]
このような状態下での量子強調サンプリングを探索するために,ハイブリッド量子古典正規化フローモデルを開発した。
提案手法では,パラメータ化量子回路を古典正規化フローアーキテクチャに組み込み,振幅エンコーディングと量子絡み合いを利用して生成過程における表現性を高める。
論文 参考訳（メタデータ） (2025-05-15T17:58:16Z) - Quantum Walks-Based Adaptive Distribution Generation with Efficient CUDA-Q Acceleration [0.5679775668038153]
本稿では,量子ウォークに基づく手法を用いて,目標確率分布の高精度かつ効率性を実現する適応分布生成器を提案する。
本手法は,量子ウォークと離散時間量子ウォーク,特にスプリットステップの量子ウォークとそのエンタングル拡張を統合し,コインパラメータを動的にチューニングし,量子状態の進化を所望の分布へと導く。
論文 参考訳（メタデータ） (2025-04-18T07:53:03Z) - 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) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Differentiable Quantum Architecture Search in Asynchronous Quantum Reinforcement Learning [3.6881738506505988]
トレーニング可能な回路パラメータと構造重み付けを可能にするために、微分可能な量子アーキテクチャ探索(DiffQAS)を提案する。
提案したDiffQAS-QRL手法は,手作業による回路アーキテクチャに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2024-07-25T17:11:00Z) - Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。
QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す
混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
論文 参考訳（メタデータ） (2024-01-13T10:56:34Z) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z)
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。