論文の概要: Quantum latent distributions in deep generative models

• arxiv url: http://arxiv.org/abs/2508.19857v1
• Date: Wed, 27 Aug 2025 13:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.639558
• Title: Quantum latent distributions in deep generative models
• Title（参考訳）: 深部生成モデルにおける量子潜在分布
• Authors: Omar Bacarreza, Thorin Farnsworth, Alexander Makarovskiy, Hugo Wallner, Tessa Hicks, Santiago Sempere-Llagostera, John Price, Robert J. A. Francis-Jones, William R. Clements,
• Abstract要約: 我々は,量子潜伏分布がGANの生成性能の向上につながることを示した。 この研究は、短期量子プロセッサが深層生成モデルの能力を拡張できることを確認する。
• 参考スコア（独自算出の注目度）: 31.751144081456683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many successful families of generative models leverage a low-dimensional latent distribution that is mapped to a data distribution. Though simple latent distributions are commonly used, it has been shown that more sophisticated distributions can improve performance. For instance, recent work has explored using the distributions produced by quantum processors and found empirical improvements. However, when latent space distributions produced by quantum processors can be expected to improve performance, and whether these improvements are reproducible, are open questions that we investigate in this work. We prove that, under certain conditions, these "quantum latent distributions" enable generative models to produce data distributions that classical latent distributions cannot efficiently produce. We also provide actionable intuitions to identify when such quantum advantages may arise in real-world settings. We perform benchmarking experiments on both a synthetic quantum dataset and the QM9 molecular dataset, using both simulated and real photonic quantum processors. Our results demonstrate that quantum latent distributions can lead to improved generative performance in GANs compared to a range of classical baselines. We also explore diffusion and flow matching models, identifying architectures compatible with quantum latent distributions. This work confirms that near-term quantum processors can expand the capabilities of deep generative models.
• Abstract（参考訳）: 生成モデルの多くの成功したファミリーは、データ分布にマッピングされる低次元の潜在分布を利用する。 単純な潜伏分布は一般的に用いられるが、より洗練された分布は性能を向上させることが示されている。 例えば、最近の研究は量子プロセッサが生成する分布を用いて検討し、経験的改善を見出した。 しかし、量子プロセッサが生み出す潜在空間分布が性能の向上を期待できる場合、これらの改善が再現可能であるかどうかについては、本研究で検討するオープンな疑問である。 特定の条件下では、これらの「量子潜在分布」は、古典的潜在分布が効率よく生成できないデータ分布を生成モデルが生成することができることを証明している。 また、そのような量子的優位性が現実世界の設定でいつ生じるかを特定するための行動可能な直観も提供する。 合成量子データセットとQM9分子データセットのベンチマーク実験を行った。 以上の結果から, 量子潜伏分布は, 古典的ベースラインの幅に比べて, GANにおける生成性能の向上につながることが示唆された。 また、拡散と流れのマッチングモデルについても検討し、量子潜在分布と互換性のあるアーキテクチャを同定する。 この研究は、短期量子プロセッサが深層生成モデルの能力を拡張できることを確認する。

関連論文リスト

• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Quantum Chebyshev Probabilistic Models for Fragmentation Functions [14.379311972506791]
  電子陽電子の単一包摂ハドロン消滅による荷電ピオンとカオンのフラグメンテーション関数(FFs)について検討した。 この結果は,高エネルギー物理学における科学的発見とデータ解析の進展に対処するための量子生成モデリングの可能性の増大を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-20T12:09:44Z)
• 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)
• 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)
• 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)
• 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)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)

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。