論文の概要: Quantum mixture-density network for multimodal probabilistic prediction

• arxiv url: http://arxiv.org/abs/2506.09497v1
• Date: Wed, 11 Jun 2025 08:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.733897
• Title: Quantum mixture-density network for multimodal probabilistic prediction
• Title（参考訳）: 多モード確率予測のための量子混合密度ネットワーク
• Authors: Jaemin Seo,
• Abstract要約: マルチモーダル確率分布は、量子系と古典系の両方で一般的である。 パラメータ化量子回路を用いてマルチモーダル分布を効率的にモデル化する量子混合密度ネットワーク(Q-MDN)を提案する。
• 参考スコア（独自算出の注目度）: 1.6317061277457001
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal probability distributions are common in both quantum and classical systems, yet modeling them remains challenging when the number of modes is large or unknown. Classical methods such as mixture-density networks (MDNs) scale poorly, requiring parameter counts that grow quadratically with the number of modes. We introduce a Quantum Mixture-Density Network (Q-MDN) that employs parameterized quantum circuits to efficiently model multimodal distributions. By representing an exponential number of modes with a compact set of qubits and parameters, Q-MDN predicts Gaussian mixture components with high resolution. We evaluate Q-MDN on two benchmark tasks: the quantum double-slit experiment and chaotic logistic bifurcation. In both cases, Q-MDN outperforms classical MDNs in mode separability and prediction sharpness under equal parameter budgets. Our results demonstrate a practical quantum advantage in probabilistic regression and highlight the potential of quantum machine learning in capturing complex stochastic behavior beyond the reach of classical models.
• Abstract（参考訳）: マルチモーダル確率分布は量子系と古典系の両方で一般的であるが、モードの数が大きい場合や未知の場合、モデリングは困難である。 混合密度ネットワーク(MDN)のような古典的な手法は、モードの数と2次的に増加するパラメータ数を必要とするため、スケールが不十分である。 パラメータ化量子回路を用いてマルチモーダル分布を効率的にモデル化する量子混合密度ネットワーク(Q-MDN)を提案する。 指数的な数のモードをコンパクトな量子ビットとパラメータで表現することにより、Q-MDNはガウス混合成分を高分解能で予測する。 量子ダブルスリット実験とカオスロジスティック分岐という2つのベンチマークタスクにおけるQ-MDNの評価を行った。 どちらの場合も、Q-MDNはモード分離性と予測シャープネスにおいて従来のMDNよりも優れる。 本研究は,確率回帰における現実的な量子的優位性を実証し,古典モデルの到達範囲を超えた複雑な確率的挙動を捉える量子機械学習の可能性を強調した。

関連論文リスト

• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• 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)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• 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)
• Introducing Non-Linearity into Quantum Generative Models [0.0]
  我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。 非線形QNBMと線形量子回路ボルンマシンを比較した。 両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
  論文  参考訳（メタデータ） (2022-05-28T18:59:49Z)
• 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)
• 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)

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。