論文の概要: Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors

• arxiv url: http://arxiv.org/abs/2604.00919v1
• Date: Wed, 01 Apr 2026 13:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.021539
• Title: Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors
• Title（参考訳）: 一般ボルツマン先行器を用いた変分オートエンコーダのマルチモード量子アニーリング
• Authors: Gilhan Kim, Daniel K. Park,
• Abstract要約: 変分オートエンコーダ(VAE)は複雑なデータのコンパクトな潜在表現を学習する。 エネルギーベースの先例は、因数分解された仮定を超えるための原則化された方法を提供する。 本稿では,量子アニール法を用いてトレーニングしたBoltzmann-machineについて述べる。
• 参考スコア（独自算出の注目度）: 0.21485350418225238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variational autoencoders (VAEs) learn compact latent representations of complex data, but their generative capacity is fundamentally constrained by the choice of prior distribution over the latent space. Energy-based priors offer a principled way to move beyond factorized assumptions and capture structured interactions among latent variables, yet training such priors at scale requires accurate and efficient sampling from intractable distributions. Here we present Boltzmann-machine--prior VAEs (BM-VAEs) trained using quantum annealing--based sampling in three distinct operational modes within a single generative system. During training, diabatic quantum annealing (DQA) provides unbiased Boltzmann samples for gradient estimation of the energy-based prior; for unconditional generation, slower quantum annealing (QA) concentrates samples near low-energy minima; for conditional generation, bias fields are added to direct sampling toward attribute-specific regions of the energy landscape (c-QA). Using up to 2000 qubits on a D-Wave Advantage2 processor, we demonstrate stable and efficient training across multiple datasets, with faster convergence and lower reconstruction loss than a Gaussian-prior VAE. The learned Boltzmann prior enables unconditional generation by sampling directly from the energy-based latent distribution, a capability that plain autoencoders lack, and conditional generation through latent biasing that leverages the learned pairwise interactions.
• Abstract（参考訳）: 変分オートエンコーダ(VAE)は複素データのコンパクトな潜在表現を学習するが、その生成能力は潜在空間上の事前分布の選択によって根本的に制約される。 エネルギーベースの事前は、因数分解された仮定を超えて、潜在変数間の構造化された相互作用をキャプチャする原則的な方法を提供するが、そのような事前を大規模に訓練するには、難解な分布から正確かつ効率的なサンプリングが必要である。 ここでは,Boltzmann-machine-prior VAEs (BM-VAEs) を1つの生成系内の3つの異なる動作モードで,量子アニール法を用いて訓練した。 トレーニング中、ダイアバティック量子アニール(DQA)は、エネルギーベース前の勾配推定のための非バイアス付きボルツマンサンプルを提供し、非条件生成では、低エネルギーのミニマの近くにサンプルを集中させ、条件生成では、エネルギーランドスケープ(c-QA)の属性固有の領域への直接サンプリングのためにバイアス場を追加する。 D-Wave Advantage2プロセッサ上で最大2000量子ビットを使用すると、複数のデータセットをまたいだ安定かつ効率的なトレーニングが実証される。 学習されたボルツマン(Boltzmann)は、エネルギーベースの潜伏分布から直接サンプリングすることで、非条件生成を可能にする。

関連論文リスト

• FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
  本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。 FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
  論文  参考訳（メタデータ） (2025-12-10T18:47:25Z)
• Energy-Weighted Flow Matching: Unlocking Continuous Normalizing Flows for Efficient and Scalable Boltzmann Sampling [42.79674268979455]
  エネルギー重み付きフローマッチングはボルツマン分布をモデル化するための連続正規化フローを可能にする新しいトレーニング目標である。 我々のアルゴリズムは、最先端のエネルギーのみの手法と競合するサンプル品質を示す。
  論文  参考訳（メタデータ） (2025-09-03T21:16:03Z)
• BoltzNCE: Learning Likelihoods for Boltzmann Generation with Stochastic Interpolants and Noise Contrastive Estimation [1.2874523233023452]
  ボルツマン分布からの効率的なサンプリングは、分子のような複雑な物理系をモデル化する上で重要な課題である。 我々は、ノイズコントラスト推定(NCE)とスコアマッチングの両方を用いて、エネルギーベースモデル(EBM)を訓練する。 また,提案手法では,実効的な転送学習を行い,推論時に新しいシステムに一般化し,標準MDよりも少なくとも6倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-07-01T15:18:28Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Anomaly Detection in Aeronautics Data with Quantum-compatible Discrete Deep Generative Model [0.0]
  本稿では,商用フライトの飛行操作データにおける異常検出における3つの教師なし深層生成モデルの性能について検討する。 我々は、離散潜在変数(DVAE)を持つ2つのVAEモデルを考案し、ベルヌーイを前者とする1つと制限ボルツマンマシン(RBM)を持つ1つを前者として考案した。 本研究は, 異常検出タスクにおいて, ガウス対応の離散的深部生成モデルの競合性を示すものである。
  論文  参考訳（メタデータ） (2023-03-22T04:19:18Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)

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。