論文の概要: Mitigating Barren plateaus in quantum denoising diffusion probabilistic models

• arxiv url: http://arxiv.org/abs/2512.06695v1
• Date: Sun, 07 Dec 2025 07:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.475064
• Title: Mitigating Barren plateaus in quantum denoising diffusion probabilistic models
• Title（参考訳）: 量子化拡散確率モデルにおけるバレン高原の緩和
• Authors: Haipeng Cao, Kaining Zhang, Dacheng Tao, Zhaofeng Su,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.90716699848553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum generative models leverage quantum superposition and entanglement to enhance learning efficiency for both classical and quantum data. The quantum denoising diffusion probabilistic model (QuDDPM), inspired by its classical counterpart, has been proposed as a promising framework for quantum generative learning. QuDDPM is capable of efficiently learning and generating quantum data, and it demonstrates excellent performance in learning correlated quantum noise models, quantum many-body phases, and the topological structure of quantum data. However, we show that barren plateaus emerge in QuDDPMs due to the use of 2-design states as the input for the denoising process, which severely undermines the performance of QuDDPM. Through theoretical analysis and experimental validation, we confirm the presence of barren plateaus in the original QuDDPM. To address this issue, we introduce an improved QuDDPM that utilizes a distribution maintaining a certain distance from the Haar distribution, ensuring better trainability. Experimental results demonstrate that our approach effectively mitigates the barren plateau problem and generates samples with higher quality, paving the way for scalable and efficient quantum generative learning.
• Abstract（参考訳）: 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。 量子化拡散確率モデル(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。 QuDDPMは量子データを効率的に学習し、生成することができ、相関量子ノイズモデル、量子多体位相、および量子データのトポロジ的構造を学習する際の優れた性能を示す。 しかし,QuDDPMの性能を著しく損なうデノナイジングプロセスの入力として2-Design状態を用いることにより,QuDDPMにバレンプラトーが出現することを示す。 理論的解析と実験的検証により,QuDDPMのバレンプラトーの存在が確認された。 この問題に対処するために,Haar分布から一定の距離を維持する分布を利用したQuDDPMを導入し,トレーニング性の向上を図る。 実験により,本手法はバレンプラトー問題を効果的に軽減し,高い品質のサンプルを生成し,スケーラブルで効率的な量子生成学習の道を開いた。

関連論文リスト

• 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)
• Mixed-State Quantum Denoising Diffusion Probabilistic Model [0.40964539027092906]
  本稿では,混合状態量子復調拡散確率モデル(MSQuDDPM)を提案する。 MSQuDDPMは、前方拡散過程における脱分極ノイズチャネルとパラメータ化量子回路と、後方除極ステップにおける射影測定を統合する。 量子アンサンブル生成タスクにおけるMSQuDDPMの評価を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:20:58Z)
• Observation of disorder-free localization using a (2+1)D lattice gauge theory on a quantum processor [118.01172048932149]
  量子多体系における障害によって引き起こされる現象は、解析法や数値シミュレーションに重大な課題をもたらす。 チューナブルな状態における量子回路を、全ての障害構成上の重ね合わせについて検討する。
  論文  参考訳（メタデータ） (2024-10-09T05:28:14Z)
• 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)
• Generative quantum machine learning via denoising diffusion probabilistic models [17.439525936236166]
  量子データの効率よく学習可能な生成学習を実現するために,QuDDPM(quantum denoising diffusion probabilistic Model)を提案する。 本稿では,量子ノイズモデル,量子多体位相,および量子データの位相構造を学習するQuDDPMの機能を示す。
  論文  参考訳（メタデータ） (2023-10-09T17:03:08Z)

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。