論文の概要: Generative modeling with Gaussian Boson Sampling: classically trainable Bosonic Born Machines

• arxiv url: http://arxiv.org/abs/2603.11195v1
• Date: Wed, 11 Mar 2026 18:04:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.567415
• Title: Generative modeling with Gaussian Boson Sampling: classically trainable Bosonic Born Machines
• Title（参考訳）: ガウスボソンサンプリングによる生成モデリング:古典的に訓練可能なボソニックボルンマシン
• Authors: Zoltán Kolarovszki, Bence Bakó, Michał Oszmaniec, Changhun Oh, Zoltán Zimborás,
• Abstract要約: パラメトリゼーションされたガウスボソンサンプリング回路上に構築されたフォトニック量子生成モデルを導入する。 このトレーニングは、状態のガウス構造によって実現される期待値の効率的な古典的評価に基づいている。 最大805モードと100万以上のトレーニング可能なパラメータを持つフォトニックシステムにおける数値実験によるアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.1449880056570423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum generative modeling has emerged as a promising application of quantum computers, aiming to model complex probability distributions beyond the reach of classical methods. In practice, however, training such models often requires costly gradient estimation performed directly on the quantum hardware. Crucially, for certain structured quantum circuits, expectation values of local observables can be efficiently evaluated on a classical computer, enabling classical training without calls to the quantum hardware in the optimization loop. In these models, sampling from the resulting circuits can still be classically hard, so inference must be performed on a quantum device, yielding a potential computational advantage. In this work, we introduce a photonic quantum generative model built on parametrized Gaussian Boson Sampling circuits. The training is based on the efficient classical evaluation of expectation values enabled by the Gaussian structure of the state, allowing scalable optimization of the model parameters through the maximum mean discrepancy loss function. We demonstrate the effectiveness of the approach through numerical experiments on photonic systems with up to 805 modes and over a million trainable parameters, highlighting its scalability and suitability for near-term photonic quantum devices.
• Abstract（参考訳）: 量子生成モデリングは、古典的手法の範囲を超えて複雑な確率分布をモデル化することを目的として、量子コンピュータの有望な応用として登場した。 しかし実際には、そのようなモデルのトレーニングには、量子ハードウェア上で直接実行されるコストのかかる勾配推定が必要となることが多い。 重要なことに、ある構造化量子回路では、局所可観測体の期待値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、最適化ループにおける量子ハードウェアへの呼び出しなしに古典的なトレーニングを可能にする。 これらのモデルでは、結果の回路からのサンプリングは古典的に難しいため、推論は量子デバイス上で行わなければならないため、潜在的な計算上の優位性をもたらす。 本研究では,ガウスボソンサンプリング回路上に構築されたフォトニック量子生成モデルを提案する。 このトレーニングは、ガウス構造によって実現された期待値の効率的な古典的評価に基づいており、最大平均差分損失関数によるモデルパラメータのスケーラブルな最適化を可能にする。 最大805モードと100万以上のトレーニング可能なパラメータを持つフォトニック系上での数値実験によるアプローチの有効性を実証し、そのスケーラビリティと短期フォトニック量子デバイスへの適合性を強調した。

関連論文リスト

• Efficient training of photonic quantum generative models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-09T18:00:11Z)
• Symbolic Pauli Propagation for Gradient-Enabled Pre-Training of Quantum Circuits [0.0]
  量子機械学習モデルは、通常高価なオンチップトレーニング手順を必要とし、しばしば効率的な勾配推定方法を欠いている。 パウリ伝搬を用いることで、サーキットのパラメータの解析関数として可観測物の記号表現を導出することができる。 提案手法はスピンモデルの基底状態を得るための変分量子固有解器上で実証される。
  論文  参考訳（メタデータ） (2025-12-18T15:44:07Z)
• 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)
• Sample-based training of quantum generative models [1.3521721488318912]
  我々は、量子モデルに対する対照的な発散の原理を拡張するトレーニングフレームワークを導入する。 回路構造を導出し、構成のための一般的なレシピを提供することで、パラメータ更新に必要なサンプルを生成する量子回路を得る。
  論文  参考訳（メタデータ） (2025-11-14T19:00:02Z)
• 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)
• 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)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。