論文の概要: Generative Modeling of Quantum Distribution with Functional Flow Matching

• arxiv url: http://arxiv.org/abs/2607.00301v1
• Date: Wed, 01 Jul 2026 00:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.675055
• Title: Generative Modeling of Quantum Distribution with Functional Flow Matching
• Title（参考訳）: 関数型フローマッチングによる量子分布の生成モデル
• Abstract要約: 本稿では,スピンウィグナー関数とフローマッチングを利用して,量子分布の学習を目的とした新しい生成モデルを提案する。 生成した量子状態のトレース,純度,絡み合いエントロピーなどの物理量を評価することにより,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 15.976299782746137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emergence of powerful deep generative models based on diffusion and flow matching has enabled the learning and modeling of complex distributions. Learning quantum distributions, however, remains challenging due to the inherent difficulty of accurately modeling the meaningful physical properties of quantum states. We propose Quantum Flow Matching (QFM), a novel generative model designed to learn quantum distribution by utilizing spin Wigner function and flow matching. By converting density matrix into the spin Wigner function and leveraging functional flow matching to learn distributions in function space, QFM enables accurate and effective learning of multi-qubit quantum distributions. We demonstrate the effectiveness of our method by evaluating physical quantities such as trace, purity, and entanglement entropy of the generated quantum states, accurately capturing the underlying physics of the given quantum distributions.
• Abstract（参考訳）: 拡散とフローマッチングに基づく強力な深層生成モデルの出現は、複雑な分布の学習とモデリングを可能にした。 しかし量子分布の学習は、量子状態の有意義な物理的特性を正確にモデル化することが本質的に困難であるため、依然として困難である。 スピンウィグナー関数とフローマッチングを利用して量子分布を学習する新しい生成モデルである量子フローマッチング(QFM)を提案する。 密度行列をスピンウィグナー関数に変換し、関数空間の分布を学習するために関数フローマッチングを活用することにより、QFMはマルチキュービット量子分布の正確かつ効果的な学習を可能にする。 生成した量子状態のトレーサリティ,純度,絡み合いエントロピーなどの物理量を評価することにより,提案手法の有効性を実証し,その基礎となる量子分布の物理を正確に把握する。

関連論文リスト

• Learning Quantum Data Distribution via Chaotic Quantum Diffusion Model [0.0]
  本稿では,カオス的ハミルトン時間進化を通じて投影されたアンサンブルを生成するフレームワークを提案する。 この方法は、トレーニング性とロバスト性を改善し、量子生成モデルの適用性を広げる。
  論文  参考訳（メタデータ） (2026-02-25T16:09:50Z)
• Mitigating Barren plateaus in quantum denoising diffusion probabilistic models [49.90716699848553]
  量子生成モデルは量子重ね合わせと絡み合いを利用して、古典データと量子データの両方の学習効率を向上させる。 QuDDPMは量子生成学習のための有望なフレームワークとして提案されている。 本研究は,QuDDPMにおけるバレンプラトーの出現について,2つの設計状態がデノナイジング過程の入力として用いられることによるものである。 本稿では,Haar分布から一定の距離を保ち,トレーニング性を向上したQuDDPMを提案する。
  論文  参考訳（メタデータ） (2025-12-07T07:01:44Z)
• QiNN-QJ: A Quantum-inspired Neural Network with Quantum Jump for Multimodal Sentiment Analysis [11.46663985298648]
  マルチモーダルエンタングルメントモデリングのための量子ジャンプ(QiNN-QJ)を用いた量子インスピレーションニューラルネットワークを提案する。 ハミルトン作用素とリンドブラッド作用素を併用することにより、QiNN-QJは制御可能なクロスモーダル絡みを生成する。 この研究は、絡み合ったマルチモーダル核融合の原理的な枠組みを確立し、複雑な相互モーダル相関をモデル化する量子インスパイアされたアプローチの道を開く。
  論文  参考訳（メタデータ） (2025-10-31T01:25:55Z)
• Quantum Flow Matching [7.246258513838036]
  量子フローマッチングは、2つの密度行列間の効率性を提供する。 QFMは、高価な回路再設計を必要とせず、量子コンピュータ上で実現することができる。 これらの結果はQFMを量子システム全体にわたる生成モデリングのための統一的で有望なフレームワークとして位置づけている。
  論文  参考訳（メタデータ） (2025-08-17T16:00:20Z)
• 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 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)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)

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。