論文の概要: Exponential capacity scaling of classical GANs compared to hybrid latent style-based quantum GANs

• arxiv url: http://arxiv.org/abs/2601.05036v1
• Date: Thu, 08 Jan 2026 15:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.259393
• Title: Exponential capacity scaling of classical GANs compared to hybrid latent style-based quantum GANs
• Title（参考訳）: 古典的GANの指数キャパシティスケーリングとハイブリッド潜在型量子GANの比較
• Authors: Milan Liepelt, Julien Baglio,
• Abstract要約: QGAN(Quantum Generative Adversarial Network)は、量子生成モデリングの主要な候補である。 遅延型QGANは、古典的な変分オートエンコーダを頼りに、入力データを潜時空間に符号化し、画像生成や薬物設計に効率的であることが証明されている。 本研究は,SAT4画像生成に応用したQGANSによるこの利点の総合的研究である。
• 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 modeling is a very active area of research in looking for practical advantage in data analysis. Quantum generative adversarial networks (QGANs) are leading candidates for quantum generative modeling and have been applied to diverse areas, from high-energy physics to image generation. The latent style-based QGAN, relying on a classical variational autoencoder to encode the input data into a latent space and then using a style-based QGAN for data generation has been proven to be efficient for image generation or drug design, hinting at the use of far less trainable parameters than their classical counterpart to achieve comparable performance, however this advantage has never been systematically studied. We present in this work the first comprehensive experimental analysis of this advantage of QGANS applied to SAT4 image generation, obtaining an exponential advantage in capacity scaling for a quantum generator in the hybrid latent style-based QGAN architecture. Careful tuning of the autoencoder is crucial to obtain stable, reliable results. Once this tuning is performed and defining training optimality as when the training is stable and the FID score is low and stable as well, the optimal capacity (or number of trainable parameters) of the classical discriminator scales exponentially with respect to the capacity of the quantum generator, and the same is true for the capacity of the classical generator. This hints toward a type of quantum advantage for quantum generative modeling.
• Abstract（参考訳）: 量子生成モデリング(Quantum Generative Modeling)は、データ分析における実用的優位性を探究する上で、非常に活発な研究分野である。 量子生成逆数ネットワーク(QGAN)は量子生成モデリングの主要な候補であり、高エネルギー物理学から画像生成まで様々な分野に適用されてきた。 遅延型QGANは、古典的な変分オートエンコーダを頼りに、入力データを潜在空間にエンコードし、その上でデータ生成にスタイルベースのQGANを用いることで、画像生成や薬物設計に効率的であることが証明され、従来の同等の性能を達成するために、トレーニング可能なパラメータをはるかに少なく使用することが示唆されているが、この利点は体系的に研究されていない。 本研究では、SAT4画像生成に応用されたQGANSのこの利点を包括的に分析し、ハイブリッド潜在型QGANアーキテクチャにおける量子発生器のキャパシティスケーリングの指数関数的優位性を得る。 オートエンコーダの注意深いチューニングは、安定かつ信頼性の高い結果を得るために不可欠である。 このチューニングを実行し、トレーニングが安定で、FIDスコアが低く安定であるようなトレーニング最適性を定義すると、古典的判別器の最適容量(またはトレーニング可能なパラメータの数)は量子発生器の容量に対して指数関数的にスケールし、古典的生成器の容量に対しても同様である。 これは量子生成モデリングにおけるある種の量子優位性へのヒントである。

関連論文リスト

• Hybrid Quantum-Classical Generative Adversarial Networks with Transfer Learning [0.0]
  GAN(Generative Adversarial Networks)は多様な高忠実な画像を合成する大きな可能性を実証している。 本稿では,転送学習によって補完されるハイブリッド量子古典的GANアーキテクチャについて検討する。 この結果から,VQCをジェネレータと判別器の両方に組み込んだ完全ハイブリッドモデルでは,高画質の画像が連続的に生成されることが示唆された。
  論文  参考訳（メタデータ） (2025-07-13T16:46:56Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• Latent Style-based Quantum GAN for high-quality Image Generation [28.3231031892146]
  本稿では,GAN(Generative Adversarial Networks)の学習に古典量子アプローチを併用したLastnt Style-based Quantum GAN(LaSt-QGAN)を紹介する。 私たちのLaSt-QGANは、標準的なMNISTを超えるリアルなコンピュータビジョンデータセット、すなわちファッション製品であるFashion MNISTと10キュービットのSAT4(地球観測画像)でうまくトレーニングできます。
  論文  参考訳（メタデータ） (2024-06-04T18:00:00Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• 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)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。