論文の概要: Fermionic Born Machines: Classical training of quantum generative models based on Fermion Sampling

• arxiv url: http://arxiv.org/abs/2511.13844v1
• Date: Mon, 17 Nov 2025 19:03:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.756107
• Title: Fermionic Born Machines: Classical training of quantum generative models based on Fermion Sampling
• Title（参考訳）: フェルミオンボルンマシン:フェルミオンサンプリングに基づく量子生成モデルの古典的訓練
• Authors: Bence Bakó, Zoltán Kolarovszki, Zoltán Zimborás,
• Abstract要約: 我々は、古典的に訓練可能な量子生成モデルの一例として、フェルミオンボルンマシンを紹介した。 このモデルはパラメータ化魔法の状態と、学習可能なパラメータを持つフェルミオン線形光学(FLO)変換を用いる。 アンザッツの特定の構造は、最適化に好適な特性を示す損失景観を誘導する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum generative learning is a promising application of quantum computers, but faces several trainability challenges, including the difficulty in experimental gradient estimations. For certain structured quantum generative models, however, expectation values of local observables can be efficiently computed on a classical computer, enabling fully classical training without quantum gradient evaluations. Although training is classically efficient, sampling from these circuits is still believed to be classically hard, so inference must be carried out on a quantum device, potentially yielding a computational advantage. In this work, we introduce Fermionic Born Machines as an example of such classically trainable quantum generative models. The model employs parameterized magic states and fermionic linear optical (FLO) transformations with learnable parameters. The training exploits a decomposition of the magic states into Gaussian operators, which permits efficient estimation of expectation values. Furthermore, the specific structure of the ansatz induces a loss landscape that exhibits favorable characteristics for optimization. The FLO circuits can be implemented, via fermion-to-qubit mappings, on qubit architectures to sample from the learned distribution during inference. Numerical experiments on systems up to 160 qubits demonstrate the effectiveness of our model and training framework.
• Abstract（参考訳）: 量子生成学習は量子コンピュータの有望な応用であるが、実験的勾配推定の難しさなど、いくつかの訓練可能性課題に直面している。 しかし、特定の構造化量子生成モデルでは、局所観測可能量の期待値は古典的なコンピュータ上で効率的に計算することができ、量子勾配評価なしで完全に古典的な訓練が可能になる。 訓練は古典的に効率的であるが、これらの回路からのサンプリングは依然として古典的に難しいと考えられており、量子デバイス上で推論を行わなければならず、計算上の優位性をもたらす可能性がある。 本稿では、古典的に訓練可能な量子生成モデルの一例として、フェルミオンボルンマシンを紹介する。 このモデルはパラメータ化魔法の状態と、学習可能なパラメータを持つフェルミオン線形光学(FLO)変換を用いる。 このトレーニングは、マジック状態のガウス作用素への分解を利用して、期待値の効率的な推定を可能にする。 さらに、アンザッツの特定の構造は、最適化に好適な特性を示すロスランドスケープを誘導する。 FLO回路は、fermion-to-qubitマッピングを介して、量子ビットアーキテクチャ上で実装し、推論中に学習した分布からサンプリングすることができる。 最大160キュービットのシステム上での数値実験は、我々のモデルとトレーニングフレームワークの有効性を実証する。

関連論文リスト

• Sample-based training of quantum generative models [1.3521721488318912]
  我々は、量子モデルに対する対照的な発散の原理を拡張するトレーニングフレームワークを導入する。 回路構造を導出し、構成のための一般的なレシピを提供することで、パラメータ更新に必要なサンプルを生成する量子回路を得る。
  論文  参考訳（メタデータ） (2025-11-14T19:00:02Z)
• Experimental demonstration of boson sampling as a hardware accelerator for monte carlo integration [0.0]
  本稿では,モンテカルロ統合のためのハードウェアアクセラレータとしてボソンサンプリング実験を行った。 我々は,3ボソン系の一階エネルギー補正を計算するために,プログラマブルフォトニックプラットフォーム上でのプリンシプル実験を実装した。
  論文  参考訳（メタデータ） (2025-09-29T18:59:34Z)
• Flowing Through Hilbert Space: Quantum-Enhanced Generative Models for Lattice Field Theory [0.9208007322096533]
  このような状態下での量子強調サンプリングを探索するために,ハイブリッド量子古典正規化フローモデルを開発した。 提案手法では,パラメータ化量子回路を古典正規化フローアーキテクチャに組み込み,振幅エンコーディングと量子絡み合いを利用して生成過程における表現性を高める。
  論文  参考訳（メタデータ） (2025-05-15T17:58:16Z)
• Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits [0.27309692684728604]
  量子回路に基づく瞬時生成モデルは,古典的ハードウェア上で効率的に学習可能であることを示す。 データ依存型パラメータ初期化戦略と組み合わせることで、不規則な高原の問題に遭遇することはない。 量子モデルは高次元データからうまく学習でき、単純なエネルギーベースの古典的生成モデルと比較して驚くほどよく機能する。
  論文  参考訳（メタデータ） (2025-03-04T19:00:02Z)
• 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)
• Efficient quantum-enhanced classical simulation for patches of quantum landscapes [0.0]
  パラメータ化量子回路によって生成される期待ランドスケープのサブリージョンの古典的なサロゲートを常に生成可能であることを示す。 我々は、量子デバイス上で単純な測定を行った後、ランドスケープのサブリージョンの近似期待値を古典的にシミュレートできる量子エンハンスな古典的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-29T18:00:07Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• 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)

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。