論文の概要: Trainability of IQP Quantum Circuit Born Machines Under Gaussian Initialization

• arxiv url: http://arxiv.org/abs/2606.10179v1
• Date: Mon, 08 Jun 2026 21:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.194105
• Title: Trainability of IQP Quantum Circuit Born Machines Under Gaussian Initialization
• Title（参考訳）: ガウス初期化下におけるIQP量子回路ボルニングマシンの訓練性
• Authors: Gennaro De Luca,
• Abstract要約: 量子回路ボルンマシン(QCBM)は、ボルンルールを利用して生成機械学習に自然なアプローチを提供する。 最近の研究は、最大平均離散性(MMD)損失を通じて、インスタント量子多項式(IQP)回路でQCBMを古典的に訓練する方法を提供している。 指数集中を回避または促進する戦略と、不毛の台地がより起こりやすい状況について論じている。
• 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: Quantum Circuit Born Machines (QCBMs) offer a natural approach to generative machine learning by leveraging the Born rule. Recent work has provided a method to classically train QCBMs with Instantaneous Quantum Polynomial (IQP) circuits via the Maximum Mean Discrepancy (MMD) loss. Despite the assumed intractability of sampling from IQP circuits classically, their expectation values can be computed classically, enabling training of these IQP QCBMs. However, quantum machine learning (QML) models have various other challenges, including trainability issues caused by exponential concentration or barren plateaus. While these issues have been explored for parameters sampled from a uniform distribution, little work has been done to rigorously treat the use of arbitrary Gaussian initialization schemes. This work leverages Stein's lemma and Lipschitz concentration bounds for Gaussian random variables to provide an analytical lower bound of the variance of the gradient and a probabilistic concentration bound of the deviation of the gradient from its mean. It discusses strategies to either avoid or encourage exponential concentration, as well as the conditions under which barren plateaus are more likely to occur.
• Abstract（参考訳）: 量子回路ボルンマシン(QCBM)は、ボルンルールを利用して生成機械学習に自然なアプローチを提供する。 最近の研究は、最大平均離散性(MMD)損失を通じて、インスタント量子多項式(IQP)回路でQCBMを古典的に訓練する方法を提供している。 IQP回路からのサンプリングが古典的に困難であると仮定されているにもかかわらず、その期待値は古典的に計算され、これらのIQP QCBMのトレーニングが可能になる。 しかし、量子機械学習(QML)モデルには、指数集中やバレンプラトーによるトレーニング可能性の問題など、他にもさまざまな課題がある。 これらの問題は、一様分布からサンプリングされたパラメータに対して検討されているが、任意のガウス初期化スキームの使用を厳密に扱うための作業はほとんど行われていない。 この研究は、ガウス確率変数に対するスタインの補題とリプシッツの濃度境界を利用して、勾配の分散の解析的下界と勾配の偏差の確率的濃度境界を与える。 指数集中を回避または促進する戦略と、不毛の台地がより起こりやすい状況について論じる。

関連論文リスト

• IQP Born Machines under Data-dependent and Agnostic Initialization Strategies [0.0]
  量子回路 瞬時量子時間(IQP)回路に基づくマシンは、量子生成モデリングの自然な候補である。 最近の提案では,低ボディのPauli-$Z$orsで構築した平均最大離散性(MMD)損失を用いたIQP-QCBMのトレーニングに重点を置いている。
  論文  参考訳（メタデータ） (2026-03-15T19:54:04Z)
• Characterizing Trainability of Instantaneous Quantum Polynomial Circuit Born Machines [7.716642023459826]
  瞬時量子回路Born Machine (IQP-QCBM) は量子生成モデルとして提案されている。 我々は、バレン高原が選択されたカーネルのジェネレータセットとスペクトルに依存することを示す。 低重バイアスのカーネルが構造的トポロジの指数的抑制を回避する機構を同定する。
  論文  参考訳（メタデータ） (2026-02-11T17:12:56Z)
• The Born Ultimatum: Conditions for Classical Surrogation of Quantum Generative Models with Correlators [1.397434225914932]
  量子回路ボルンマシン(Quantum Circuit Born Machines、QCBM)は、ボルン規則に従ってサンプリングされる強力な量子生成モデルである。 近年の列車古典的展開量子アプローチでは、QCBMの古典的なサロゲートをトレーニングし、推論のみに量子デバイスを使用する方法が提案されている。 我々は、古典的に訓練されたパラメータと量子的にデプロイされたパラメータ間のデプロイメントの相違から生じるこれらの手法の限界を分析する。
  論文  参考訳（メタデータ） (2025-11-03T18:51:24Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Looking elsewhere: improving variational Monte Carlo gradients by importance sampling [41.94295877935867]
  ニューラルネットワーク量子状態(NQS)は、量子多体波動関数を表現するために強力で表現力のあるアンサッツを提供する。 量子化学で現れる急激なピーク波動関数のようないくつかのシナリオは、変動最適化の有効性を阻害する高分散勾配推定器をもたらすことが知られている。 本研究では、適応的に調整された重要度サンプリングを用いて、これらのサンプリング問題に取り組むための体系的戦略について検討する。 提案手法により,バニラVMCの計算コストを,高ピークの量子化学波動関数をターゲットとした場合,最大100倍に削減できる。
  論文  参考訳（メタデータ） (2025-07-07T18:00:03Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
  重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。 さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T20:21:52Z)
• Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
  ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。 我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
  論文  参考訳（メタデータ） (2023-07-06T17:54:08Z)
• On the Sample Complexity of Quantum Boltzmann Machine Learning [0.0]
  モデルと目標との期待値の差からQBM学習の運用的定義を与える。 解は、少なくとも複数のギブス状態を用いて勾配降下で得られることを証明した。 特に,平均場,ガウスフェルミオン,幾何学的局所ハミルトニアンに基づく事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-26T18:00:50Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)

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。