Fugu-MT 論文翻訳(概要): Efficient training of photonic quantum generative models

論文の概要: Efficient training of photonic quantum generative models

arxiv url: http://arxiv.org/abs/2603.08793v1
Date: Mon, 09 Mar 2026 18:00:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-11 15:25:23.74021
Title: Efficient training of photonic quantum generative models
Title（参考訳）: フォトニック量子生成モデルの効率的なトレーニング
Authors: Felix Gottlieb, Rawad Mezher, Brian Ventura, Shane Mansfield, Alexia Salavrakos,
Abstract要約: 本稿では,古典的シミュレーションを効率的に行うことができる中間複雑回路の特性を利用する。本稿では,光子固有量子生成モデルの最大平均誤差に基づく効率的なトレーニング手法を提案する。
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: The topic of generative learning has gained traction within the field of quantum machine learning, in particular with the advent of train-on-classical, deploy-on-quantum methods. This approach exploits the properties of intermediate-complexity circuits whose training can be simulated classically efficiently, but that generally require quantum hardware for the corresponding sampling problem. Quantum linear optics possess similar properties, which allows us to propose an efficient training procedure for photon-native quantum generative models based on the maximum mean discrepancy, where the deployment of the model corresponds to the task of boson sampling. We provide numerical results, propose datasets, and we also explore how initialization strategies and ansatz choice affect the training.
Abstract（参考訳）: 生成学習のトピックは、量子機械学習の分野、特に古典的、展開的、量子的手法の出現によって、注目を集めている。このアプローチは、古典的に効率的にシミュレートできる中間複雑回路の特性を利用するが、一般に対応するサンプリング問題に対して量子ハードウェアを必要とする。量子線形光学は同様の性質を有しており、ボソンサンプリングのタスクに対応する最大平均誤差に基づく光子固有量子生成モデルの効率的なトレーニング手順を提案することができる。我々は,数値的な結果を提供し,データセットを提案するとともに,初期化戦略とアンザッツ選択がトレーニングに与える影響についても検討する。

関連論文リスト

Fermionic Born Machines: Classical training of quantum generative models based on Fermion Sampling [0.0]
我々は、古典的に訓練可能な量子生成モデルの一例として、フェルミオンボルンマシンを紹介した。このモデルはパラメータ化魔法の状態と、学習可能なパラメータを持つフェルミオン線形光学(FLO)変換を用いる。アンザッツの特定の構造は、最適化に好適な特性を示す損失景観を誘導する。
論文参考訳（メタデータ） (2025-11-17T19:03:03Z)
Universal quantum phase classification on quantum computers from machine learning [4.838808905356641]
シャドウトモグラフィーと現代の時系列機械学習モデルを組み合わせた新しいフレームワークを提案する。提案手法は、有限深部局所ユニタリ回路による接続性に基づく量子位相の定義を利用する。我々は、訓練データを処理し、普遍的な量子位相分類を実現するために、先進的な時系列モデルを用いることを実証した。
論文参考訳（メタデータ） (2025-08-06T18:00:04Z)
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)
Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits [0.27309692684728604]
量子回路に基づく瞬時生成モデルは,古典的ハードウェア上で効率的に学習可能であることを示す。データ依存型パラメータ初期化戦略と組み合わせることで、不規則な高原の問題に遭遇することはない。量子モデルは高次元データからうまく学習でき、単純なエネルギーベースの古典的生成モデルと比較して驚くほどよく機能する。
論文参考訳（メタデータ） (2025-03-04T19:00:02Z)
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)
Learning complexity gradually in quantum machine learning models [0.29998889086656577]
トレーニングセット全体に対して情報的データポイントを優先するフレームワークを提案する。情報的サンプルに選択的に焦点をあてることで、パラメータ空間のより好ましい領域に向けて最適化プロセスのステアリングを目指す。この戦略は,量子機械学習モデルの性能向上に有効である可能性が示唆された。
論文参考訳（メタデータ） (2024-11-18T19:00:01Z)
Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文参考訳（メタデータ） (2023-04-18T18:23:20Z)
Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文参考訳（メタデータ） (2022-08-29T15:24:03Z)
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)

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。