論文の概要: Conditioning in Generative Quantum Denoising Diffusion Models
- arxiv url: http://arxiv.org/abs/2509.17569v1
- Date: Mon, 22 Sep 2025 11:01:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.324332
- Title: Conditioning in Generative Quantum Denoising Diffusion Models
- Title（参考訳）: 生成量子Denoising Diffusionモデルにおける条件付け
- Authors: Daniel Quinn, Lorenzo Buffoni, Stefano Gherardini, Gabriele De Chiara,
- Abstract要約: 複数のターゲット分布から量子状態を生成するための条件付け機構を導入する。
本手法は,1量子ビット生成タスク,絡み合った状態準備,多体基底状態生成にまたがる数値シミュレーションにより検証する。
- 参考スコア（独自算出の注目度）: 0.8399688944263843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum denoising diffusion models have recently emerged as a powerful framework for generative quantum machine learning. In this work, we extend these models by introducing a conditioning mechanism that enables the generation of quantum states drawn from multiple target distributions. By sharing parameters across distinct classes of quantum states, our approach avoids the need to train separate models for each distribution. We validate our method through numerical simulations that span single-qubit generation tasks, entangled state preparation, and many-body ground state generation. Across these tasks, conditioning significantly reduced the error of targeted state generation by up to an order of magnitude. Finally, we perform an ablation study to quantify the effect of key hyperparameters on the model performance.
- Abstract（参考訳）: 量子デノナイズ拡散モデルは最近、生成量子機械学習の強力なフレームワークとして登場した。
本研究では,複数のターゲット分布から引き出された量子状態の生成を可能にする条件付け機構を導入することにより,これらのモデルを拡張する。
量子状態の異なるクラス間でパラメータを共有することで、我々のアプローチは各分布に対して別々のモデルを訓練する必要がない。
本手法は,1量子ビット生成タスク,絡み合った状態準備,多体基底状態生成にまたがる数値シミュレーションにより検証する。
これらのタスク全体で、条件付けにより、ターゲット状態生成のエラーが最大で1桁減少した。
最後に,鍵ハイパーパラメータがモデル性能に与える影響を定量化するためのアブレーション実験を行った。
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 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) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - Quantum State Generation with Structure-Preserving Diffusion Model [33.108168285414195]
本稿では、量子系の(混合)状態の生成モデリングについて考察する。
鍵となる貢献は、量子状態の物理的性質を尊重するアルゴリズム的な革新である。
論文 参考訳（メタデータ） (2024-04-09T14:21:51Z) - Quantum Denoising Diffusion Models [4.763438526927999]
2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。
我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
論文 参考訳（メタデータ） (2024-01-13T11:38:08Z) - Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。
QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す
混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
論文 参考訳（メタデータ） (2024-01-13T10:56:34Z) - Certified variational quantum algorithms for eigenstate preparation [0.0]
我々は変分アルゴリズムの終了を認証する手段を開発する。
逆場イジングモデル、競合する相互作用を持つ1次元スピンレスフェルミオンのモデル、量子電磁力学のシュウィンガーモデルという3つのモデルに適用することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2020-06-23T18:00:00Z)
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。