論文の概要: Spectral Born machines: classically trainable quantum generative models for discrete data

• arxiv url: http://arxiv.org/abs/2607.06675v1
• Date: Tue, 07 Jul 2026 18:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.188953
• Title: Spectral Born machines: classically trainable quantum generative models for discrete data
• Title（参考訳）: スペクトルボルンマシン:離散データのための古典的に訓練可能な量子生成モデル
• Abstract要約: 本稿では,量子生成モデルのクラスであるEmphspectral Born Machineを紹介する。 モデルのスペクトルバイアスが,非構造的アプローチと比較してパラメータ数を大幅に減少させることを示す。
• 参考スコア（独自算出の注目度）: 0.09817071294495454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present \emph{spectral Born machines}, a class of quantum generative models that results from viewing and generalizing the class of IQP Born machines through the lens of group Fourier analysis. These quantum models exploit the quantum Fourier transform to create an inductive bias that make them naturally suited to learning integer-structured data, while remaining classically hard to sample from in general. Similar to IQP Born machines, spectral Born machines can be trained efficiently at scale on classical hardware via a maximum mean discrepancy loss based on graph spectral analysis, which we make available in a new \emph{tcdq} module of the PennyLane software platform. In numerical experiments, we show how the spectral bias of the model leads to significantly reduced parameter counts compared to unstructured approaches, and demonstrate the scalability of the software by training a 190-qubit model with over 1 million parameters to successfully learn a distribution of 93 nucleotide-long ribosomal RNA. Our results suggest that highly over-parameterized spectral Born machines may be immune to overfitting, even in strongly data-scarce regimes.
• Abstract（参考訳）: 我々は、群フーリエ解析のレンズを通してIQPボルンマシンのクラスを閲覧・一般化し、量子生成モデルのクラスである 'emph{spectral Born Machine} を提示する。 これらの量子モデルは量子フーリエ変換を利用して帰納バイアスを作り、整数構造データの学習に自然に適し、古典的にはサンプリングが難しい。 IQP Born マシンと同様に、PennyLane ソフトウェアプラットフォームの新しい \emph{tcdq} モジュールで利用可能なグラフスペクトル分析に基づいて、スペクトルBorn マシンを最大平均誤差損失で、古典的ハードウェア上で効率よく訓練することができる。 数値実験では, モデルのスペクトルバイアスが非構造的アプローチと比較してパラメータ数を大幅に減少させることを示すとともに, 100万以上のパラメータを持つ190量子ビットモデルを用いて93ヌクレオチド長リボソームRNAの分布をうまく学習することにより, ソフトウェアのスケーラビリティを実証する。 我々の結果は、高度にパラメータ化されたスペクトルボルンマシンは、強いデータスカース状態であっても過度に適合する可能性があることを示唆している。

関連論文リスト

• "Train classical, deploy quantum" requires rethinking generalization [42.16343861129583]
  直接サンプリングにより、量子および古典的生成モデルの幅広いセットをベンチマークする。 モーメントマッチング損失で訓練されたモデルは、一般的に、可能性訓練されたモデルよりもより悪い一般化を示す。
  論文  参考訳（メタデータ） (2026-08-31T17:26:27Z)
• Quantum Fourier Generative Models Trainable at Large Scale [13.839852906168787]
  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。
  論文  参考訳（メタデータ） (2026-06-26T18:00:00Z)
• GQA-μP: The maximal parameterization update for grouped query attention [64.99972873396649]
  グループクエリアテンション(GQA)のためのPスケールの導出方法を示す。 また,GQA繰り返しハイパーパラメータ間での学習速度の伝達を示すことによって,理論的導出の有効性を示す。
  論文  参考訳（メタデータ） (2026-05-14T18:03:16Z)
• Quantum Random Features: A Spectral Framework for Quantum Machine Learning [0.0]
  textitQuantum Random Features (QRF) と textitQuantum Dynamical Random Features (QDRF) を紹介する。 QRFとQDRFは変動最適化なしで高次元スペクトル表現を生成する。 スペクトル理論と実験的に実現可能な量子力学を結びつけることで、この研究はスケーラブルな量子学習へのコンパクトでハードウェア互換の経路を提供する。
  論文  参考訳（メタデータ） (2026-01-29T14:01:52Z)
• 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)
• 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)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Let Quantum Neural Networks Choose Their Own Frequencies [0.0]
  我々は、量子モデルをジェネレータにトレーニング可能なパラメータの集合を含むように一般化し、トレーニング可能な周波数(TF)量子モデルへと導く。 我々は,TFモデルが手作業の解決に望ましい特性を持つジェネレータを学習する方法を数値的に示す。
  論文  参考訳（メタデータ） (2023-09-06T18:00:07Z)
• 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)
• 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)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。