論文の概要: Generative IQP Circuit Learning with Physics-Informed Latent Initialization

• arxiv url: http://arxiv.org/abs/2607.28866v1
• Date: Thu, 30 Jul 2026 22:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.494265
• Title: Generative IQP Circuit Learning with Physics-Informed Latent Initialization
• Title（参考訳）: 物理インフォームド潜在初期化を用いたIQP回路生成学習
• Abstract要約: 瞬時量子時間(IQP)回路に基づく量子生成学習は、効率的な古典的学習戦略の恩恵を受けることができる。 既存のアプローチは、最適化効率と性能を制限できる低次元潜在変数をランダムに初期化する。
• 参考スコア（独自算出の注目度）: 10.037801594045519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum generative learning based on instantaneous quantum polynomial-time (IQP) circuits can benefit from efficient classical training strategies. A recent latent adaptation framework for IQP-based generative modeling transfers shared circuit parameters across instances of the same task with different hyperparameters while adapting only a low-dimensional latent variable for each new instance. However, existing approaches initialize this latent variable randomly, which can limit optimization efficiency and performance. In this work, we introduce a physics-informed latent initialization scheme for IQP generative learning to improve upon existing random initialization schemes. Motivated by the platonic representation hypothesis, we use latent representations extracted from a classical physics-informed neural network (PINN) surrogate to initialize the latent variables of the quantum model for the solution of the Burgers' equation. The initialized IQP model is then adapted on a higher-resolution solution domain. We find that this structured initialization consistently outperforms random latent initialization, yielding improved adaptation behavior and stronger generative accuracy across multiple viscosity settings. These results show that classical surrogate representations can provide useful inductive bias for quantum generative models and offer a practical route to improved initialization in IQP-based learning.
• Abstract（参考訳）: 瞬時量子多項式時間(IQP)回路に基づく量子生成学習は、効率的な古典的学習戦略の恩恵を受けることができる。 IQPベースの生成モデリングのための最近の潜在適応フレームワークは、新しいインスタンスごとに低次元の潜在変数のみを適応させながら、異なるハイパーパラメータを持つ同一タスクのインスタンス間で共有回路パラメータを転送する。 しかし、既存のアプローチでは、この潜伏変数をランダムに初期化し、最適化の効率と性能を制限できる。 本研究では、既存のランダム初期化方式を改善するために、IQP生成学習のための物理インフォームド潜時初期化方式を提案する。 プラトニック表現仮説により、古典的物理学情報ニューラルネットワーク(PINN)から抽出された潜時表現を用いて、バーガーズ方程式の解に対する量子モデルの潜時変数を初期化する。 初期化IQPモデルは高分解能解領域に適応する。 この構造付き初期化は無作為潜時初期化より常に優れており、適応性が向上し、複数の粘度設定における生成精度が向上することがわかった。 これらの結果は、古典的な代理表現は量子生成モデルに有用な帰納バイアスを与え、IQPに基づく学習の初期化を改善するための実践的な経路を提供することを示している。

関連論文リスト

• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
  本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。 我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。 この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
  論文  参考訳（メタデータ） (2025-05-20T18:00:01Z)
• Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
  本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。 合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-05T02:52:37Z)
• Mitigating Barren Plateaus in Quantum Neural Networks via an AI-Driven Submartingale-Based Framework [3.0617189749929348]
  量子ニューラルネットワーク(QNN)におけるバレンプラトー(BP)の緩和を目的としたAdaInitを提案する。 AdaInitは、非無視的な勾配分散をもたらすQNNの初期パラメータを反復的に合成し、BPを緩和する。 AdaInit が様々な QNN スケールで高い勾配分散を維持するために既存の手法を一貫して上回っていることを実証的に検証する。
  論文  参考訳（メタデータ） (2025-02-17T05:57:15Z)
• Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
  モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。 我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。 適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
  論文  参考訳（メタデータ） (2025-01-10T12:07:00Z)
• Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm [43.21662368414268]
  近年,変分量子回路の最適化のためのQNGアルゴリズムが提案されている。 モメンタムQNGは、変動パラメータ空間における局所的なミニマとプラトーを逃れるのにより効果的である。 強スピンガラス系におけるシェリントン・カークパトリックモデルにおいて、最良の結果が得られる。
  論文  参考訳（メタデータ） (2024-09-03T15:21:16Z)
• Alleviating Barren Plateaus in Parameterized Quantum Machine Learning Circuits: Investigating Advanced Parameter Initialization Strategies [4.169604865257672]
  ランダムパラメータ値を持つ場合、量子量子回路(PQC)はしばしばバレンプラトー(BP)を示す。 BPは量子アルゴリズムの最適化を妨げるため、量子ビット数の増加とともに勾配が消えつつある。 本稿では,PQCにおける古典的機械学習における最先端パラメータ初期化戦略の影響を解析する。
  論文  参考訳（メタデータ） (2023-11-22T08:07:53Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。