論文の概要: Quantum Generative Adversarial Autoencoders: Learning latent representations for quantum data generation

• arxiv url: http://arxiv.org/abs/2509.16186v1
• Date: Fri, 19 Sep 2025 17:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.261896
• Title: Quantum Generative Adversarial Autoencoders: Learning latent representations for quantum data generation
• Title（参考訳）: 量子生成逆自己エンコーダ:量子データ生成のための潜在表現の学習
• Authors: Naipunnya Raj, Rajiv Sangle, Avinash Singh, Krishna Kumar Sabapathy,
• Abstract要約: 本稿では,量子データ生成のための量子モデルであるQuantum Generative Adversarial Autoencoder (QGAA)を紹介する。 QGAAは、量子状態を圧縮するための量子オートエンコーダ(QAE)と、訓練されたQAEの潜在空間を学ぶための量子生成逆数ネットワーク(QGAN)の2つのコンポーネントから構成される。 これらの結果は、量子状態生成、量子化学、および短期量子機械学習アプリケーションに対するQGAAの可能性を示している。
• 参考スコア（独自算出の注目度）: 0.05999777817331315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce the Quantum Generative Adversarial Autoencoder (QGAA), a quantum model for generation of quantum data. The QGAA consists of two components: (a) Quantum Autoencoder (QAE) to compress quantum states, and (b) Quantum Generative Adversarial Network (QGAN) to learn the latent space of the trained QAE. This approach imparts the QAE with generative capabilities. The utility of QGAA is demonstrated in two representative scenarios: (a) generation of pure entangled states, and (b) generation of parameterized molecular ground states for H$_2$ and LiH. The average errors in the energies estimated by the trained QGAA are 0.02 Ha for H$_2$ and 0.06 Ha for LiH in simulations upto 6 qubits. These results illustrate the potential of QGAA for quantum state generation, quantum chemistry, and near-term quantum machine learning applications.
• Abstract（参考訳）: 本研究では,量子データ生成のための量子モデルQGAA(Quantum Generative Adversarial Autoencoder)を提案する。 QGAAは2つのコンポーネントから構成される。 (a)量子状態圧縮のための量子オートエンコーダ(QAE) b)QAEの潜伏空間を学習するためにQGAN(Quantum Generative Adversarial Network)を開発した。 このアプローチは、QAEに生成能力を与える。 QGAAの実用性は2つの代表的なシナリオで示される。 (a)純粋な絡み合った状態の生成、及び b) H$_2$およびLiHに対するパラメータ化分子基底状態の生成。 トレーニングされたQGAAで推定されるエネルギーの平均誤差は、H$2$で0.02Ha、LiHで0.06Haである。 これらの結果は、量子状態生成、量子化学、および短期量子機械学習アプリケーションに対するQGAAの可能性を示している。

関連論文リスト

• A quantum GAN for entanglement detection and image classification [2.209921757303168]
  我々は、画像生成と分類のための古典的なスタイルネットGANの量子アナログを作成する。 純粋に量子情報を持つQGANを実証する問題を選択する。 実積状態は、量子発生器によって生成された偽の量子積状態から検出され分離される。
  論文  参考訳（メタデータ） (2024-08-09T19:11:47Z)
• Quantum Generative Adversarial Networks in a Silicon Photonic Chip with Maximum Expressibility [13.20564873203203]
  GAN(Generative Adversarial Network)は、現実的な画像やテキスト、オーディオなどの現実的なタスクで大きな成功を収めている。 量子GANは、量子回路の表現性が強いため、古典的よりも指数関数的に有利であると考えられている。 本研究では、任意の制御単位(CU)演算を実行し、任意の2量子ビット純状態を生成することができる2量子シリコン量子フォトニックチップを作成する。
  論文  参考訳（メタデータ） (2024-04-09T00:54:11Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)
• Multiqubit state learning with entangling quantum generative adversarial networks [0.0]
  マルチビット学習のためのエンタングル量子GAN(EQ-GAN)について検討する。 EQ-GANはSWAPテストよりも効率的に回路を学習できることを示す。 また、EQ-GANを用いて最大6キュービットのランダムな状態学習を、異なる2キュービットゲートを用いて検討する。
  論文  参考訳（メタデータ） (2022-04-20T18:00:01Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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)

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。