論文の概要: Quantum Scrambling Born Machine

• arxiv url: http://arxiv.org/abs/2602.17281v1
• Date: Thu, 19 Feb 2026 11:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.000285
• Title: Quantum Scrambling Born Machine
• Title（参考訳）: 量子スクランブルボルニングマシン
• Authors: Marcin Płodzień,
• Abstract要約: 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。
• 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, where the Born rule naturally defines probability distributions through measurement of parameterized quantum states, is a promising near-term application of quantum computing. We propose a Quantum Scrambling Born Machine in which a fixed entangling unitary -- acting as a scrambling reservoir -- provides multi-qubit entanglement, while only single-qubit rotations are optimized. We consider three entangling unitaries -- a Haar random unitary and two physically realizable approximations, a finite-depth brickwork random circuit and analog time evolution under nearest-neighbor spin-chain Hamiltonians -- and show that, for the benchmark distributions and system sizes considered, once the entangler produces near-Haar-typical entanglement the model learns the target distribution with weak sensitivity to the scrambler's microscopic origin. Finally, promoting the Hamiltonian couplings to trainable parameters casts the generative task as a variational Hamiltonian problem, with performance competitive with representative classical generative models at matched parameter count.
• Abstract（参考訳）: 量子生成モデリング(Quantum Generative Modeling)では、パラメータ化された量子状態の測定によって、ボルン則が確率分布を自然に定義する。 本研究では, 量子スクランブルボルニングマシンを提案し, 固定エンタングリングユニタリ(スクランブル貯水池として機能する)がマルチキュービットエンタングルメントを提供し, シングルキュービット回転のみを最適化する。 3つの絡み合わさったユニタリ(Haar random unitary)と2つの物理的実現可能な近似、有限深度ブロックワークランダム回路、および近傍のスピン鎖ハミルトンアンの下でのアナログ時間進化)を考察し、ベンチマーク分布とシステムサイズを考えると、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、モデルがスクランブラの微視的起源に対して弱い感度でターゲット分布を学習することを示す。 最後に、訓練可能なパラメータへのハミルトン結合の促進は、生成タスクを変動的ハミルトン問題として、マッチングされたパラメータ数で代表的古典的生成モデルと競合する性能を持つ。

関連論文リスト

• Characterizing Trainability of Instantaneous Quantum Polynomial Circuit Born Machines [7.716642023459826]
  瞬時量子回路Born Machine (IQP-QCBM) は量子生成モデルとして提案されている。 我々は、バレン高原が選択されたカーネルのジェネレータセットとスペクトルに依存することを示す。 低重バイアスのカーネルが構造的トポロジの指数的抑制を回避する機構を同定する。
  論文  参考訳（メタデータ） (2026-02-11T17:12:56Z)
• Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
  ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。 正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:53:13Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Quantum Generative Modeling using Parameterized Quantum Circuits [0.0]
  量子生成モデルは、複雑な確率分布を学習し、再現するために、量子力学の本質的な確率論的性質を使用する。 本稿では,KL(Kullback-Leibler)分散損失とパラメータシフト勾配最適化を用いた3ビットガウス分布のモデル化を訓練した3ビット量子回路Bornマシンの実装について述べる。
  論文  参考訳（メタデータ） (2023-03-25T18:01:50Z)
• Universality of critical dynamics with finite entanglement [68.8204255655161]
  臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。 その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
  論文  参考訳（メタデータ） (2023-01-23T19:23:54Z)
• On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
  一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。 本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。 量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2022-06-01T11:03:51Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• 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)

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。