論文の概要: Universality of Classically Trainable, Quantum-Deployed Boson-Sampling Generative Models

• arxiv url: http://arxiv.org/abs/2603.11014v1
• Date: Wed, 11 Mar 2026 17:41:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.08448
• Title: Universality of Classically Trainable, Quantum-Deployed Boson-Sampling Generative Models
• Title（参考訳）: 古典的学習型量子展開型ボソンサンプリング生成モデルの普遍性
• Authors: Andrii Kurkin, Ulysse Chabaud, Zoltán Kolarovszki, Bence Bakó, Zoltán Zimborás, Vedran Dunjko,
• Abstract要約: ボーソンサンプリングボルンマシン(BSBM)について紹介する。 BSBMは、損失関数の広いファミリーに対して古典的に訓練可能であることを示す。 基本的」BSBMは普遍的生成モデルではないと我々は主張する。
• 参考スコア（独自算出の注目度）: 1.7753787132550425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work on the instantaneous quantum polynomial-time (IQP) quantum-circuit Born machine (QCBM) highlights a promising paradigm for generative modeling: train classically, deploy quantumly. In this setting, the training objective can be evaluated efficiently on a classical computer, while sampling from the resulting model may still be classically intractable. Furthermore, in the IQP-QCBM framework, extending the model family with ancillary qubits has been proven to yield universality. This paper asks whether similar results hold for linear-optical generative models. To this end, we introduce the Boson Sampling Born Machine (BSBM). Our analysis retraces analogous steps as were found for IQP-QCBMs with twists. Using recent results that enable classical approximation of broad classes of expectation values in linear optics, we show that BSBMs can be trained classically for wide families of loss functions. Next, we argue that "basic" BSBMs are not universal generative models, and that universality can be achieved by expanding the model while preserving efficient classical training and sampling hardness. In our approach, we introduce and analyze the role of constant-function postprocessing, generalizing the construction for IQP-QCBMs, which under suitable conditions can lead to universality while preserving the hardness of classically simulating the models. We showcase a family of BSBMs, characterized by a single hyperparameter, that allows for a monotonic increase in expressivity toward universality while retaining the capacity to represent ostensibly hard distributions. Furthermore, we discuss the possible modalities for the efficient classical training, in the sense of efficient estimation of gradients of the loss function.
• Abstract（参考訳）: 瞬時量子多項式時間(IQP)量子回路ボルンマシン(QCBM)に関する最近の研究は、生成モデリングのための有望なパラダイム、古典的に訓練し、量子的に展開する。 この設定では、トレーニング対象を古典的なコンピュータ上で効率的に評価することができるが、結果のモデルからのサンプリングは古典的に抽出可能である。 さらに、IQP-QCBMフレームワークでは、モデルの族を補助量子ビットで拡張することは普遍性をもたらすことが証明されている。 本稿では、線形光学生成モデルに対して、同様の結果が成立するかどうかを問う。 この目的のために,Boson Sampling Born Machine (BSBM)を紹介する。 IQP-QCBMのツイストに類似したステップを考察した。 線形光学系における期待値の古典的クラスを近似できる最近の結果を用いて、BSBMは損失関数の広いファミリーに対して古典的に訓練可能であることを示す。 次に、ベーシックなBSBMは普遍的な生成モデルではなく、効率的な古典的訓練とサンプリング硬さを維持しながらモデルを拡張することで普遍性を実現することができると論じる。 そこで本研究では, IQP-QCBMの構成を一般化することにより, 従来のシミュレーションモデルの硬さを保ちながら, 普遍性を実現する。 一つの超パラメータを特徴とするBSBMの族を紹介し, 強度分布を表す能力を維持しつつ, 普遍性に対する単調な表現性の向上を可能にする。 さらに、損失関数の勾配を効率的に推定するという意味で、効率的な古典的訓練のモダリティについて考察する。

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)
• 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 hard distributions with quantum-enhanced Variational Autoencoders [2.545905720487589]
  量子相関を用いて古典的VAEの忠実度を向上させる量子強化型VAE(QeVAE)を提案する。 経験的に、QeVAEは量子状態のいくつかのクラスにおいて古典的モデルよりも優れていることを示す。 我々の研究は、量子生成学習アルゴリズムの新しい応用の道を開いた。
  論文  参考訳（メタデータ） (2023-05-02T16:50:24Z)
• 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)
• A supplemental investigation of non-linearity in quantum generative models with respect to simulatability and optimization [1.4329826483358277]
  本稿では,量子アルゴリズムと機械学習コミュニティとの関連性に関する2つの質問について検討する。 この非線型性の導入は、遅延測定原理による学習モデルを古典的にシミュレート可能か? そして、この形式の非線形性を導入することで、全体のモデルのトレーニングが不安定になるのでしょうか?
  論文  参考訳（メタデータ） (2023-02-01T22:48:26Z)
• Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
  本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。 そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-27T17:06:34Z)
• 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)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)

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。