論文の概要: Improving GANs by leveraging the quantum noise from real hardware

• arxiv url: http://arxiv.org/abs/2507.01886v1
• Date: Wed, 02 Jul 2025 16:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.386474
• Title: Improving GANs by leveraging the quantum noise from real hardware
• Title（参考訳）: 実ハードウェアからの量子ノイズを利用したGANの改良
• Authors: Hongni Jin, Kenneth M. Merz Jr,
• Abstract要約: 本稿では,GAN(生成逆数ネットワーク)に対する新しいアプローチを提案する。 固有量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスを与えることができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel approach to generative adversarial networks (GANs) in which the standard i.i.d. Gaussian latent prior is replaced or hybridized with a quantum-correlated prior derived from measurements of a 16-qubit entangling circuit. Each latent sample is generated by grouping repeated shots per qubit into a binary fraction, applying the inverse Gaussian CDF to obtain a 16-dimensional Gaussian vector whose joint copula reflects genuine quantum entanglement, and then projecting into the high-dimensional space via a fixed random matrix. By pre-sampling tens of millions of bitstrings, either from a noiseless simulator or from IBM hardware, we build large pools of independent but internally quantum-correlated latents. We integrate this prior into three representative architectures (WGAN, SNGAN, BigGAN) on CIFAR-10, making no changes to the neural network structure or training hyperparameters. The hybrid latent representations incorporating hardware-derived noise consistently lower the FID relative to both the classical baseline and the simulator variant, especially when the quantum component constitutes a substantial fraction of the prior. In addition, we execute on the QPU in parallel to not only save computing time but also further decrease the FID up to 17% in BigGAN. These results indicate that intrinsic quantum randomness and device-specific imperfections can provide a structured inductive bias that enhances GAN performance. Our work demonstrates a practical pipeline for leveraging noisy quantum hardware to enrich deep-generative modeling, opening a new interface between quantum information and machine learning. All code and data are available at https://github.com/Neon8988/GAN_QN.git.
• Abstract（参考訳）: 本稿では,16ビットのエンタングリング回路の測定から導かれる量子関連先行回路に,ガウス潜水器の標準式を置換あるいはハイブリダイズするGAN(Generative Adversarial Network)の新たなアプローチを提案する。 各潜伏サンプルは、キュービット当たりの反復ショットを二分数に分けて、逆ガウスCDFを適用して、結合コプラが真の量子絡みを反映する16次元ガウスベクトルを求め、固定されたランダム行列を介して高次元空間に投影することによって生成される。 ノイズレスシミュレータやIBMハードウェアから数千万のビットストリングをプリサンプリングすることで、独立しているが内部の量子関連ラテントの大規模なプールを構築します。 我々は、CIFAR-10上の3つの代表的なアーキテクチャ(WGAN、SNGAN、BigGAN)に統合し、ニューラルネットワーク構造の変更やハイパーパラメータのトレーニングを行わない。 ハードウェア由来のノイズを組み込んだハイブリッド潜在表現は、古典的ベースラインとシミュレータの変種の両方に対して、FIDを一貫して低下させる。 さらに、計算時間を節約できるだけでなく、BigGANで最大17%までFIDを削減するために、QPU上で並列に実行します。 これらの結果は、固有の量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスをもたらすことを示唆している。 我々の研究は、ノイズの多い量子ハードウェアを活用して深部生成モデリングを強化し、量子情報と機械学習の新たなインターフェースを開放する実践的なパイプラインを実証する。 すべてのコードとデータはhttps://github.com/Neon8988/GAN_QN.gitで入手できる。

関連論文リスト

• 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)
• Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
  線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。 このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
  論文  参考訳（メタデータ） (2025-02-10T13:50:50Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• 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)
• A Hybrid Quantum-Classical Generative Adversarial Network for Near-Term Quantum Processors [0.0]
  本稿では,短期量子プロセッサのためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案する。 生成ネットワークは、量子回路を符号化する角度と変分量子アンサッツを用いて実現される。 識別器ネットワークは、多段トレーニング可能な量子回路を用いて実現される。
  論文  参考訳（メタデータ） (2023-07-06T20:11:28Z)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits [26.735857677349628]
  変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。 パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。 トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T04:18:41Z)
• 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)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。