Fugu-MT 論文翻訳(概要): Conditioning in Generative Quantum Denoising Diffusion Models

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

Quantum Scrambling Born Machine [0.0]
量子生成モデリングでは、ボルン則が確率分布を自然に定義しており、量子コンピューティングの短期的応用として有望である。固定エンタングリングユニタリーがマルチキュービットの絡み合いを提供する量子スクランブルボルンマシンを提案し, 単一キュービット回転のみを最適化する。本研究では, ベンチマーク分布とシステムサイズを考慮した場合, エンタングルがほぼハール型エンタングルメントを生成すると, スクランブラの微視的起源に対して弱い感度で対象分布を学習することを示す。
論文参考訳（メタデータ） (2026-02-19T11:33:56Z)
Mitigating Barren plateaus in quantum denoising diffusion probabilistic models [49.90716699848553]
量子生成モデルは量子重ね合わせと絡み合いを利用して、古典データと量子データの両方の学習効率を向上させる。 QuDDPMは量子生成学習のための有望なフレームワークとして提案されている。本研究は,QuDDPMにおけるバレンプラトーの出現について,2つの設計状態がデノナイジング過程の入力として用いられることによるものである。本稿では,Haar分布から一定の距離を保ち,トレーニング性を向上したQuDDPMを提案する。
論文参考訳（メタデータ） (2025-12-07T07:01:44Z)
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)
QuEST: Low-bit Diffusion Model Quantization via Efficient Selective Finetuning [52.157939524815866]
本稿では,不均衡な活性化分布を量子化困難の原因として同定する。我々は,これらの分布を,より量子化しやすいように微調整することで調整することを提案する。本手法は3つの高解像度画像生成タスクに対して有効性を示す。
論文参考訳（メタデータ） (2024-02-06T03:39:44Z)
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)
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)
Learning hard distributions with quantum-enhanced Variational Autoencoders [2.545905720487589]
量子相関を用いて古典的VAEの忠実度を向上させる量子強化型VAE(QeVAE)を提案する。経験的に、QeVAEは量子状態のいくつかのクラスにおいて古典的モデルよりも優れていることを示す。我々の研究は、量子生成学習アルゴリズムの新しい応用の道を開いた。
論文参考訳（メタデータ） (2023-05-02T16:50:24Z)
State preparation and measurement in a quantum simulation of the O(3) sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文参考訳（メタデータ） (2020-06-28T23:44:12Z)
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。