論文の概要: An Hybrid Quantum-Classical Diffusion Model for Image Generation
- arxiv url: http://arxiv.org/abs/2607.07072v1
- Date: Wed, 08 Jul 2026 07:01:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.30952
- Title: An Hybrid Quantum-Classical Diffusion Model for Image Generation
- Title（参考訳）: 画像生成のためのハイブリッド量子古典拡散モデル
- Abstract要約: 本稿では,古典的自己エンコーダと混合状態量子復調拡散確率モデル(MSQuDDPM)を組み合わせた,スケーラブルなハイブリッド生成パイプラインを提案する。
我々は,MNIST画像生成における提案手法を実証し,現実的な量子ビット予算下でのハイブリッド量子古典的生成モデリングの実践的バックボーンとして,混合状態量子拡散がどのように機能するかを議論する。
- 参考スコア（独自算出の注目度）: 10.346003976682585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum diffusion models provide a physics-consistent route to generative learning by formulating noising and denoising directly on quantum states. However, applying such models to classical high-dimensional data is constrained by the qubit cost of state encoding and the computational burden of simulating large density operators. We propose a scalable hybrid generative pipeline that combines a classical autoencoder for dimensionality reduction with a mixed-state quantum denoising diffusion probabilistic model (MSQuDDPM) operating in the learned latent space. The autoencoder compresses data into compact latent codes that can be embedded into a small-qubit Hilbert space, after which the quantum diffusion model learns a generative distribution over latent density operators and decodes samples back to the original domain. Algorithmically, we simplify the reverse dynamics by predicting an estimate of the clean state $ρ_0$ at timestep $t$ and computing the one-step reverse update via an analytic backward propagation rule, rather than learning an explicit predictor for $ρ_{t-1}$. We demonstrate the proposed approach on MNIST image generation and discuss how mixed-state quantum diffusion can serve as a practical backbone for hybrid quantum--classical generative modeling under realistic qubit budgets.
- Abstract（参考訳）: 量子拡散モデル(Quantum diffusion model)は、量子状態に直接ノイズを定式化し、記述することによって、生成学習への物理一貫性のある経路を提供する。
しかし、そのようなモデルを古典的な高次元データに適用することは、状態符号化のクビットコストと、大密度作用素をシミュレートする計算負担によって制約される。
本稿では,古典的自己エンコーダと,学習空間で動作する混合状態量子化拡散確率モデル(MSQuDDPM)を組み合わせた,スケーラブルなハイブリッド生成パイプラインを提案する。
オートエンコーダはデータを小さな量子ビットヒルベルト空間に埋め込むことができるコンパクトな潜在符号に圧縮し、その後量子拡散モデルが潜在密度演算子上の生成分布を学習し、サンプルを元の領域に復号する。
アルゴリズムでは,時間ステップ$t$におけるクリーンステート$ρ_0$の見積を予測し,解析的後方伝播規則を用いて1ステップ逆更新を計算することにより,逆ダイナミクスを単純化する。
我々は,MNIST画像生成における提案手法を実証し,現実的な量子ビット予算下でのハイブリッド量子-古典的生成モデリングの実践的バックボーンとして,混合状態量子拡散がどのように機能するかを論じる。
関連論文リスト
- Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。
本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
論文 参考訳（メタデータ） (2026-08-11T04:22:42Z) - Quantum Generative Models for Computational Fluid Dynamics: A First Exploration of Latent Space Learning in Lattice Boltzmann Simulations [0.0]
本稿では,計算流体力学(CFD)データの潜在空間表現を学習するための量子生成モデルの最初の応用について述べる。
中心的な貢献は、この物理学に由来する潜在分布をモデル化するための量子的および古典的生成的アプローチの比較分析である。
論文 参考訳（メタデータ） (2025-12-27T18:21:09Z) - 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) - A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。
本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。
経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - 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) - 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) - 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) - Quantum State Generation with Structure-Preserving Diffusion Model [33.108168285414195]
本稿では、量子系の(混合)状態の生成モデリングについて考察する。
鍵となる貢献は、量子状態の物理的性質を尊重するアルゴリズム的な革新である。
論文 参考訳（メタデータ） (2024-04-09T14:21:51Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。
アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。
我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
論文 参考訳（メタデータ） (2023-08-23T09:09:32Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳（メタデータ） (2021-12-10T17:32:15Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。