Fugu-MT 論文翻訳(概要): QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks

論文の概要: QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks

arxiv url: http://arxiv.org/abs/2603.03045v1
Date: Tue, 03 Mar 2026 14:38:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.839488
Title: QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks
Title（参考訳）: QFlowNet: 生成フローネットワークを用いた高速・多変量・効率的な単元合成
Authors: Inhoe Koo, Hyunho Cha, Jungwoo Lee,
Abstract要約: ユニタリ合成(英: Unitary Synthesis)とは、ユニタリ行列を量子ゲートの列に分解することである。本稿では,生成フローネットワーク(GFlowNet)とトランスフォーマーをペアリングすることで,スパース信号から効率的に学習する新しいフレームワークであるQFlowNetを提案する。
参考スコア（独自算出の注目度）: 5.077782193180541
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unitary Synthesis, the decomposition of a unitary matrix into a sequence of quantum gates, is a fundamental challenge in quantum compilation. Prevailing reinforcement learning(RL) approaches are often hampered by sparse reward signals, which necessitate complex reward shaping or long training times, and typically converge to a single policy, lacking solution diversity. In this work, we propose QFlowNet, a novel framework that learns efficiently from sparse signals by pairing a Generative Flow Network (GFlowNet) with Transformers. Our approach addresses two key challenges. First, the GFlowNet framework is fundamentally designed to learn a diverse policy that samples solutions proportional to their reward, overcoming the single-solution limitation of RL while offering faster inference than other generative models like diffusion. Second, the Transformers act as a powerful encoder, capturing the non-local structure of unitary matrices and compressing a high-dimensional state into a dense latent representation for the policy network. Our agent achieves an overall success rate of 99.7% on a 3-qubit benchmark(lengths 1-12) and discovers a diverse set of compact circuits, establishing QFlowNet as an efficient and diverse paradigm for unitary synthesis.
Abstract（参考訳）: ユニタリ合成(英: Unitary Synthesis)とは、ユニタリ行列を量子ゲートの列に分解することである。一般的な強化学習(RL)アプローチは、複雑な報酬形成や長いトレーニング時間を必要とするスパース報酬信号によって妨げられ、通常、解の多様性を欠いた単一のポリシーに収束する。本研究では,生成フローネットワーク(GFlowNet)とトランスフォーマーをペアリングすることで,スパース信号から効率的に学習する新しいフレームワークであるQFlowNetを提案する。私たちのアプローチは2つの重要な課題に対処します。まず、GFlowNetフレームワークは、RLの単一解限界を克服しつつ、拡散のような他の生成モデルよりも高速な推論を提供しながら、報酬に比例したソリューションをサンプリングする多様なポリシーを学習するために設計されている。第2に、トランスフォーマーは強力なエンコーダとして機能し、ユニタリ行列の非局所構造を捕捉し、高次元状態をポリシーネットワークの高密度潜在表現に圧縮する。提案エージェントは3kbitベンチマーク(長さ1-12)で99.7%の総合的な成功率を実現し,QFlowNetを一元合成の効率的かつ多様なパラダイムとして確立する。

関連論文リスト

Unrolled Neural Networks for Constrained Optimization [83.29547301151177]
我々のフレームワークは、ラグランジアンのサドル点を共同で近似する2つの結合ニューラルネットワークで構成されている。混合整数二次プログラムと無線ネットワークにおける電力配分に関する枠組みを数値的に評価する。
論文参考訳（メタデータ） (2026-01-24T03:12:41Z)
FlowQ-Net: A Generative Framework for Automated Quantum Circuit Design [8.70817825961863]
自動量子回路合成のための生成フレームワークであるtextscFlowQ-Net(Flow-based Quantum Design Network)を紹介する。このフレームワークは、回路を順次構築するポリシーを学習し、それらをフレキシブルなユーザ定義報酬関数にサンプリングする。シミュレーションにより,textscFlowQ-Netの有効性を実証する。
論文参考訳（メタデータ） (2025-10-30T16:57:13Z)
Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
論文参考訳（メタデータ） (2025-09-12T18:41:10Z)
Universal Configuration for Optimizing Complexity in Variational Distributed Quantum Circuits [0.0]
任意のコア間通信トポロジにまたがって単一および2つのキュービットゲートを分散するための普遍的最適構成が存在することを示す。我々は,Ref 2 で提案されたよく確立された正規化基準との比較により,我々の予測を検証した。
論文参考訳（メタデータ） (2025-08-06T14:03:52Z)
UDiTQC: U-Net-Style Diffusion Transformer for Quantum Circuit Synthesis [13.380226276791818]
現在の拡散モデルは、U-Netアーキテクチャに基づくアプローチであるが、計算効率とグローバルコンテキストのモデル化に関する課題に遭遇する。マルチスケール特徴抽出におけるU-Netの強みとグローバルコンテキストをモデル化するTransformerの機能を組み合わせた,新しいU-Netスタイルの拡散変換アーキテクチャであるUDiTを提案する。
論文参考訳（メタデータ） (2025-01-24T15:15:50Z)
MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
論文参考訳（メタデータ） (2024-12-19T12:52:53Z)
Optimizing Backward Policies in GFlowNets via Trajectory Likelihood Maximization [4.158255103170876]
GFlowNetsは、与えられた報酬関数に比例したオブジェクトのサンプルを学習する生成モデルのファミリーである。近年の研究では,GFlowNetトレーニングとエントロピー規則化強化学習問題との密接な関係が示されている。本稿では,エントロピー規則化マルコフ決定プロセスにおいて,値関数を直接逐次的に適用する,シンプルな後方ポリシー最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-20T19:12:14Z)
AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer [54.713778961605115]
Vision Transformer (ViT) はコンピュータビジョンコミュニティにおいて最も普及しているバックボーンネットワークの1つである。本稿では,AdaLog(Adaptive Logarithm AdaLog)量子化器を提案する。
論文参考訳（メタデータ） (2024-07-17T18:38:48Z)
ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis [7.979501926410114]
ConvTimeNetは時系列解析のために設計された階層的な純粋な畳み込みモデルである。データ駆動方式で時間依存の基本単位の局所パターンを適応的に知覚する。大規模なカーネル機構を使用して、畳み込みブロックが深く積み重ねられるようにする。
論文参考訳（メタデータ） (2024-03-03T12:05:49Z)
Efficient quantum algorithm to simulate open systems through a single environmental qubit [0.0]
量子コンピュータ上でのリンドブラッドマスター方程式により記述された開量子系の力学をシミュレーションする効率的なアルゴリズムを提案する。固定精度条件下では,他の手法と比較してトロッター数を減らすことができる。
論文参考訳（メタデータ） (2023-11-16T16:45:30Z)
The Sample Complexity of One-Hidden-Layer Neural Networks [57.6421258363243]
本研究では,スカラー値を持つ一層ネットワークのクラスとユークリッドノルムで有界な入力について検討する。隠蔽層重み行列のスペクトルノルムの制御は、一様収束を保証するには不十分であることを示す。スペクトルノルム制御が十分であることを示す2つの重要な設定を解析する。
論文参考訳（メタデータ） (2022-02-13T07:12:02Z)
Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
論文参考訳（メタデータ） (2021-06-08T14:21:10Z)

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。