論文の概要: Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling

• arxiv url: http://arxiv.org/abs/2506.10571v1
• Date: Thu, 12 Jun 2025 11:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.690602
• Title: Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling
• Title（参考訳）: Unitary Scrambling and Collapse: 生成モデリングのための量子拡散フレームワーク
• Authors: Yihua Li, Jiayi Chen, Tamanna S. Kumavat, Kyriakos Flouris,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.258882634977828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing, with its promise of exponential speedups, is rapidly emerging as a powerful paradigm for advancing artificial intelligence. We propose QSC-Diffusion, the first fully quantum diffusion-based framework for image generation. Our method integrates classical Gaussian noise with quantum scrambling in the forward process, and employs parameterized quantum circuits with measurement-induced collapse for reverse denoising -- enabling end-to-end sampling without reliance on classical neural architectures or preprocessing modules. To address optimization challenges in deep quantum models, we introduce a hybrid loss that balances fidelity and diversity, coupled with a divide-and-conquer training strategy to mitigate barren plateaus. Remarkably, QSC-Diffusion achieves competitive FID scores across multiple datasets while using orders of magnitude fewer parameters, outperforming even some quantum-classical hybrid baselines in efficiency. These results highlight the potential of quantum-native generative modeling and mark a foundational step toward scalable quantum machine learning.
• Abstract（参考訳）: 指数的なスピードアップを約束する量子コンピューティングは、人工知能を進化させる強力なパラダイムとして急速に発展しつつある。 我々は、画像生成のための最初の完全量子拡散ベースのフレームワークであるQSC拡散を提案する。 提案手法は,古典的ガウス雑音と量子スクランブルを前処理で統合し,パラメータ化量子回路を用いて,古典的ニューラルアーキテクチャや前処理モジュールに依存することなく,エンドツーエンドのサンプリングを可能にする。 深部量子モデルにおける最適化問題に対処するため,不整合と多様性のバランスをとるハイブリッド損失を導入し,バレン高原を緩和するための分断・対数トレーニング戦略を併用する。 注目すべきは、QSC-Diffusionは複数のデータセットにまたがる競合的なFIDスコアを達成しつつ、桁違いに少ないパラメータを使用し、量子古典的なハイブリッドベースラインよりも効率が良いことだ。 これらの結果は、量子ネイティブな生成モデリングの可能性を強調し、スケーラブルな量子機械学習に向けた基本的なステップを示す。

関連論文リスト

• Physics-Informed Hybrid Quantum-Classical Dispatching for Large-Scale Renewable Power Systems:A Noise-Resilient Framework [9.378801906395179]
  高ペネレーションエネルギーは、電力系統のディスパッチ最適化に重大性と非古典性をもたらす。 既存のアプローチでは、電力網を「ブラックボックス」として扱うのが一般的である。 本稿では、PIHQ-CD(Hybrid Quantum-Bridging Dispatching)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-26T13:35:54Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Towards Heterogeneous Quantum Federated Learning: Challenges and Solutions [47.08625631041616]
  量子フェデレーション学習(QFL)は、量子コンピューティングとフェデレーション学習を組み合わせて、データのプライバシを維持しながら分散モデルトレーニングを可能にする。 既存のQFLフレームワークは、量子テキストカラーサイクル間の均一性に重点を置いており、量子データ分散、符号化技術、ハードウェアノイズレベル、計算能力の実際の分散を考慮していない。 これらの違いは、トレーニング中に不安定になり、収束が遅くなり、全体的なモデルパフォーマンスが低下する可能性がある。
  論文  参考訳（メタデータ） (2025-11-27T06:35:45Z)
• Channel-Constrained Markovian Quantum Diffusion Model from Open System Perspective [6.550541885221236]
  本稿では,チャネル制約付きマルコフ量子拡散モデルを提案する。 我々のモデルは、前方拡散過程を量子マスター方程式を用いて自然デコヒーレンスと解釈する一方、逆デノナイズは逆量子チャネルを学習することによって達成される。 この研究は、量子拡散が制御されたマルコフ進化として特徴づけられることを確認し、環境相互作用はデコヒーレンスの源であるだけでなく、高忠実な量子状態合成を達成するためにも利用できることを示した。
  論文  参考訳（メタデータ） (2025-11-15T13:52:15Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• 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)
• Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers [5.673361333697935]
  我々は、ノイズ中間スケール量子(NISQ)デバイス上でのスケーラビリティ問題に対処するために、分散量子長短期メモリ(QLSTM)フレームワークを導入する。 QLSTMは長期の時間的依存関係をキャプチャし、分散アーキテクチャは基礎となる変分量子回路をより小さく管理可能なサブ回路に分割する。 分散QLSTMは,古典的アプローチと比較して,安定した収束とトレーニングダイナミクスの向上を実現している。
  論文  参考訳（メタデータ） (2025-03-18T10:07:34Z)
• 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)
• Mixed-State Quantum Denoising Diffusion Probabilistic Model [0.40964539027092906]
  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。
  論文  参考訳（メタデータ） (2024-11-26T17:20:58Z)
• 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)
• Projective Quantum Eigensolver with Generalized Operators [0.0]
  PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。 いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-21T15:40:22Z)
• 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)
• Mutual information maximizing quantum generative adversarial networks [9.391818870557545]
  InfoQGANは、InfoGANの原理とQGANアーキテクチャを統合する量子古典的ハイブリッド生成対向ネットワークである。 InfoQGANは、量子発生器における頑健な特徴の絡み合いを達成しつつ、モード崩壊を効果的に軽減することを示す。 これらの結果は、NISQ時代の量子生成モデリングを進化させるアプローチとして、InfoQGANの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-09-04T05:18:37Z)
• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• On-the-fly Tailoring towards a Rational Ansatz Design for Digital Quantum Simulations [0.0]
  量子デバイスで物理的に実現可能な低深さ量子回路を開発することが不可欠である。 我々は,最適なアンサッツを動的に調整できるアンサッツ構成プロトコルを開発した。 アンザッツの構成は、エネルギーソートと演算子の可換性事前スクリーニングによって並列量子アーキテクチャで実行される可能性がある。
  論文  参考訳（メタデータ） (2023-02-07T11:22:01Z)
• 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)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• 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)

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。