論文の概要: Quantum Fourier Generative Models Trainable at Large Scale

• arxiv url: http://arxiv.org/abs/2606.28483v1
• Date: Fri, 26 Jun 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.582963
• Title: Quantum Fourier Generative Models Trainable at Large Scale
• Title（参考訳）: 大規模に学習可能な量子フーリエ生成モデル
• Authors: Cenk Tüysüz, Oleksandr Kyriienko, Michele Grossi,
• Abstract要約: 本稿では,量子生成モデルの構築と学習のためのアルゴリズムフレームワークを提案する。 我々はログライクな損失によって大規模にトレーニングが可能となる、個別のトレーニング戦略を開発する。 提案手法は1000キュービットを超えるスケールでの損失推定を検証し,提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 13.839852906168787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an algorithmic framework for building and training quantum generative models corresponding to multivariate probability distributions. Our model uses parallel Fourier feature maps for embedding continuous-valued variables combined with a forrelation-type quantum circuit for tuning Fourier coefficients of the quantum model. Crucially, we develop a distinct training strategy where training is enabled at large scale by log-likelihood loss with unbiased Monte Carlo estimator based on Parseval's identity. Unlike prior work that relied on maximal mean discrepancy (MMD) loss, our approach goes beyond matching just low frequency moments, while enabling efficient classical training. Once the model is trained, we use inverse quantum Fourier transforms to map it into a separate sampling circuit in the computational basis. We demonstrate the efficiency of the suggested framework by validating loss estimation at the scale of over 1000 qubits on a single GPU. We show that univariate and bivariate models with highly non-trivial structure can be trained to low total variation distance, while fine-tuned IQP models with MMD loss show poor performance. Comparing to classical baselines represented by normalizing flow and diffusion models, we show that our approach avoids oversmoothing and preserves multi-modal structure of the target. Finally, we have deployed the trained models on superconducting quantum devices, successfully sampling distributions with per-sample execution times of approximately $300\,μ\mathrm{s}$. Our work shows that quantum generative models with the train-on-classical deploy-on-quantum approach can provide both high-quality structure at increased scale and fast sampling access needed for inference.
• Abstract（参考訳）: 本稿では,多変量確率分布に対応する量子生成モデルの構築と学習のためのアルゴリズムフレームワークを提案する。 我々のモデルは、連続値変数を埋め込むための並列フーリエ特徴写像と、量子モデルのフーリエ係数を調整するための分岐型量子回路を用いる。 重要なことは、Parsevalのアイデンティティに基づいたモンテカルロ推定器によるログライクな損失により、大規模にトレーニングを可能にする、個別のトレーニング戦略を開発することである。 従来のMMD(maximal mean discrepancy)の損失に頼っていた作業とは異なり、我々のアプローチは単に低周波のモーメントにマッチするだけでなく、より効率的な古典的なトレーニングを可能にしている。 モデルが訓練されると、逆量子フーリエ変換を使用して、計算ベースで別のサンプリング回路にマッピングする。 1つのGPU上で1000キュービットを超えるスケールでの損失推定を検証することにより,提案フレームワークの有効性を実証する。 非自明な構造を持つ単変量モデルと二変量モデルでは、総変量距離を低く抑えることができる一方で、MDD損失を有する微調整IQPモデルでは、性能が劣ることを示す。 フローおよび拡散モデルの正規化によって表される古典的ベースラインと比較して,本手法は過度なスムース化を回避し,ターゲットのマルチモーダル構造を保存する。 最後に、トレーニングされたモデルを超伝導量子デバイスにデプロイし、サンプルごとの実行時間約300\,μ\mathrm{s}$で分布をサンプリングすることに成功した。 我々の研究は、古典的展開量子アプローチによる量子生成モデルにより、大規模化による高品質な構造と、推論に必要な高速サンプリングアクセスを両立させることができることを示した。

関連論文リスト

• 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)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Quantum Chebyshev Probabilistic Models for Fragmentation Functions [14.379311972506791]
  電子陽電子の単一包摂ハドロン消滅による荷電ピオンとカオンのフラグメンテーション関数(FFs)について検討した。 この結果は,高エネルギー物理学における科学的発見とデータ解析の進展に対処するための量子生成モデリングの可能性の増大を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-20T12:09:44Z)
• RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
  本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。 RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。 その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
  論文  参考訳（メタデータ） (2025-02-13T06:44:33Z)
• Parameterized quantum circuits as universal generative models for continuous multivariate distributions [1.118478900782898]
  量子回路は、回帰、分類、生成タスクにおける機械学習モデルの基盤として広く使われている。 本研究では,予測値のサンプリングベースモデルを解明し,そのような変動量子アルゴリズムの普遍性を証明する。 我々の結果は、生成的モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
  論文  参考訳（メタデータ） (2024-02-15T10:08:31Z)
• Are Quantum Circuits Better than Neural Networks at Learning Multi-dimensional Discrete Data? An Investigation into Practical Quantum Circuit Generative Models [0.0]
  多層パラメタライズド量子回路(MPQC)は古典的ニューラルネットワーク(NN)よりも表現力が高いことを示す。 我々は、MPQCが古典的に効率的にシミュレートできない確率分布を生成できる理由の体系的な証明に、利用可能な情報源を整理する。 量子回路を限られたサンプルで効率的にトレーニングする方法、勾配(量子)を効率的に計算する方法、モーダル崩壊を緩和する方法など、実用的な問題に対処する。
  論文  参考訳（メタデータ） (2022-12-13T05:31:31Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Protocols for Trainable and Differentiable Quantum Generative Modelling [21.24186888129542]
  微分可能量子回路(DQC)としての確率分布の学習手法を提案する。 我々はDQCベースのモデルのトレーニングを行い、そこでデータは位相特徴写像で潜在空間にエンコードされ、次に変動量子回路が続く。 これにより、シングルショットの読み出しを使ってパラメタライズドディストリビューションからの高速サンプリングが可能になる。
  論文  参考訳（メタデータ） (2022-02-16T18:55:48Z)
• 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)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)

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。