論文の概要: Differentiable Energy-Based Regularization in GANs: A Simulator-Based Exploration of VQE-Inspired Auxiliary Losses

• arxiv url: http://arxiv.org/abs/2512.12581v1
• Date: Sun, 14 Dec 2025 07:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.326571
• Title: Differentiable Energy-Based Regularization in GANs: A Simulator-Based Exploration of VQE-Inspired Auxiliary Losses
• Title（参考訳）: GANの微分可能エネルギーベース規則化:VQE誘発補助損失のシミュレータによる探索
• Authors: David Strnadel,
• Abstract要約: GAN(Generative Adversarial Networks)において、パラメータ化量子回路から導出される微分可能エネルギー項が補助正規化信号として機能するかどうかを検討する。 本稿では,Qiskit の EstorQNN と TorchConnector を用いて,クラス固有Isimating Hamiltonian から計算した変分量子固有解法 (VQE) にインスパイアされたエネルギー項を用いて,補助的 GAN 生成目標を拡大する。 MNISTでは、エネルギー正規化モデル(QACGAN)が5時間以内の分類精度(99～100%)を87.8%と比較した。
• 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: This paper presents an exploratory, simulator-based proof of concept investigating whether differentiable energy terms derived from parameterized quantum circuits can serve as auxiliary regularization signals in Generative Adversarial Networks (GANs). We augment the Auxiliary Classifier GAN (ACGAN) generator objective with a Variational Quantum Eigensolver (VQE)-inspired energy term computed from class-specific Ising Hamiltonians using Qiskit's EstimatorQNN and TorchConnector. Important limitations: All experiments run on a noiseless statevector simulator with only 4 qubits, use a deliberately simple Hamiltonian parameterization, and lack ablation studies comparing against equivalent classical biases. The computational overhead (approximately 200x slower than classical ACGAN) reflects simulator artifacts rather than inherent quantum costs. On MNIST, we observe that the energy-regularized model (termed QACGAN) achieves high classification accuracy (99 to 100 percent) within 5 epochs compared to 87.8 percent for ACGAN, suggesting the auxiliary term influences class conditioning. However, sample quality metrics (FID) show high variance across runs (coefficient of variation approximately 25 percent at epoch 5), with values ranging from 19.92 to 35.96. Extended runs stabilize around FID 23 to 24, comparable to the ACGAN baseline. We explicitly do not claim quantum advantage, improved stability in any general sense, or scalability beyond this toy setting. The contribution is methodological: demonstrating that VQE-style energy computations can be integrated into GAN training loops via differentiable pathways. Whether such auxiliary signals provide benefits beyond equivalent classical regularizers remains an open question requiring systematic ablation studies, which we leave for future work.
• Abstract（参考訳）: 本稿では,パラメータ化量子回路から導出される微分可能エネルギー項がGAN(Generative Adversarial Networks)の補助正規化信号として機能するかどうかを探索的,シミュレータによる概念実証を行う。 本稿では,Qiskit の EstimatorQNN と TorchConnector を用いて,クラス固有Ising Hamiltonian から計算した変分量子固有解法(VQE)にインスパイアされたエネルギー項を用いた Auxiliary Classifier GAN (ACGAN) 生成目標を拡張した。 重要な制限: 全ての実験は4キュービットしか持たないノイズレス状態ベクトルシミュレータ上で実行され、故意に単純なハミルトンパラメータ化を使い、等価な古典バイアスと比較するアブレーション研究を欠いている。 計算オーバーヘッド(古典的な ACGAN よりも約200倍遅い)は、固有の量子コストではなく、シミュレーターのアーティファクトを反映している。 MNISTでは,ACGANの87.8%に対して,エネルギー正規化モデル(QACGAN)は5時間以内で高い分類精度(99～100%)を達成し,補助的項がクラス条件に影響を与えることを示唆している。 しかし、サンプル品質指標(FID)は、19.92から35.96までの値で、ラン(エポック5の約25%の変動係数)に高いばらつきを示す。 拡張実行は ACGAN ベースラインに匹敵する FID 23 から 24 に安定している。 我々は、量子的優位性、一般的な意味での安定性の改善、あるいはこのおもちゃの設定以上のスケーラビリティを明示的に主張していない。 この貢献は方法論的であり、VQEスタイルのエネルギー計算が微分可能な経路を介してGAN訓練ループに統合可能であることを示す。 そのような補助信号が等価な古典正規化子を超える利点を提供するかどうかについては、体系的アブレーション研究を必要とするオープンな疑問であり、今後の研究のために出発する。

関連論文リスト

• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• Contrasting Statistical Phase Estimation with the Variational Quantum Eigensolver in the era of Early Fault Tolerant Quantum Computation [0.0]
  本稿では,最近開発された時空効率的なアナログ回転(STAR)アーキテクチャ citeakahoshi PartiallyFaultTolerantQuantum2024 について概説する。 特に,統計位相推定アルゴリズム(SPE)として知られる基底状態エネルギー推定(GSEE)アルゴリズムについて検討した。
  論文  参考訳（メタデータ） (2024-09-12T04:48:05Z)
• Greedy Gradient-free Adaptive Variational Quantum Algorithms on a Noisy Intermediate Scale Quantum Computer [0.6020414684573572]
  ハイブリッド量子古典適応型VQE(Vari Quantum Eigensolvers)は、多体量子システムにおいて古典計算を上回る性能を持つ。 本稿では,Greedy Gradient-free Adaptive VQE (GGA-VQE) と呼ばれる解析的・勾配なし最適化を用いた適応アルゴリズムを提案する。 GGA-VQEを25量子ビットの量子回路上で実行し、良好な基底状態近似を求める。
  論文  参考訳（メタデータ） (2023-06-29T17:58:02Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
  我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。 我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。 我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
  論文  参考訳（メタデータ） (2023-04-10T23:01:10Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• CAFQA: A classical simulation bootstrap for variational quantum algorithms [8.659073885003684]
  CAFQAアンサッツ(CAFQA ansatz)は、クリフォードゲートのみを備えたハードウェア効率の良い回路である。 CAFQAは6.4xと56.8xの平均精度の改善を、異なるメトリクスで達成している。 CAFQAの高精度により、VQAの収束は小さな分子でも2.5倍加速することが示されている。
  論文  参考訳（メタデータ） (2022-02-25T19:29:59Z)

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。