論文の概要: Scalable quantum simulation of continuous-time generative models via tensor networks

• arxiv url: http://arxiv.org/abs/2608.21700v1
• Date: Sat, 22 Aug 2026 00:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.409669
• Title: Scalable quantum simulation of continuous-time generative models via tensor networks
• Title（参考訳）: テンソルネットワークを用いた連続時間生成モデルのスケーラブル量子シミュレーション
• Abstract要約: 連続時間フローと拡散モデルは、多くのアプリケーションドメインで広く使われている。 波動関数フローは、学習された輸送をユニタリ進化として再キャストすることで、このコストを目標とする。 本稿では,これらの流れの時間依存ポテンシャルと状態をテンソルネットワークとして表現した最初の数値的研究について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous-time flow and diffusion models are widely used across many application domains, from large-scale deployment in computer vision and protein folding to emerging adoption for modeling language, time series, and quantum states. After training, inferring statistical properties from continuous-time models is costly. Wavefunction flows target this cost by recasting learned transport as unitary evolution, whose final Born distribution approximates the target distribution. This prepares a coherent amplitude encoding (a qsample) that can be post-processed by quantum algorithms offering a quadratic advantage over Monte Carlo sampling. We present the first numerical study of these flows, in which we represent time-dependent potentials and states as tensor networks. At spatial dimension $d=8$, storage falls by $\sim 10^7\times$ relative to the dense grid of $N^d$ points, and evolution wall-clock time falls by $\gtrsim 10^3\times$ against a baseline extrapolated from the measured $d\le 5$ scaling. We validate our pipeline by reproducing the $O(1/\sqrt{p_{\rm rare}})$ scaling of rare-event sampling.
• Abstract（参考訳）: 連続時間フローと拡散モデルは、コンピュータビジョンの大規模展開やタンパク質の折り畳み、モデリング言語、時系列、量子状態への新たな採用など、多くのアプリケーション領域で広く利用されている。 訓練後、連続時間モデルから統計的性質を推定することはコストがかかる。 波動関数フローは、学習された輸送をユニタリ進化として再キャストすることで、このコストを目標とする。 これは、モンテカルロサンプリングに対して二次的な優位性を提供する量子アルゴリズムによって後処理できるコヒーレント振幅符号化(qsample)を作成する。 本稿では,これらの流れの時間依存ポテンシャルと状態をテンソルネットワークとして表現した最初の数値的研究について述べる。 空間次元$d=8$では、ストレージは$N^d$の高密度グリッドに対して$\sim 10^7\times$、進化のウォールクロック時間は$\gtrsim 10^3\times$で、測定された$d\le 5$のスケーリングから外挿されたベースラインに対して$\gtrsim 10^3\times$となる。 O(1/\sqrt{p_{\rm rare}})$ $ rare-event sample を再生してパイプラインを検証する。

関連論文リスト

• Accelerating Discrete Diffusion Models with Parallel-In-Time Sampling [55.388363730120325]
  本研究では,CTMC(Continuous-Time Markov Chain)フレームワークにおいて,離散拡散を吸収するための$-leapingアルゴリズムを並列化する。 我々は,$$-leapingアルゴリズムとPicard法の連続時間積分形式を利用して,並列時間サンプリング高速化を実現する。 本研究は, 分子構造や言語生成などの応用において, 効率的な並列推論のための離散拡散モデルの可能性を広げるものである。
  論文  参考訳（メタデータ） (2026-07-01T10:59:33Z)
• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling [8.539489108260872]
  バッチ実行による事前トラジェクトリサンプリング(PTSBE)は,これらの手法のデータ収集率を劇的に向上させた。 PTSBEはデータ収集のスピードアップを106倍に向上させたが、テンソルネットワークの実装は15倍のスピードアップしか達成しなかった。 本研究では, 1) 誤差非依存の統一経路変動, 2) 非退化テンソルネットワークサンプリング, 3) フレキシブル/最適化収縮フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-09T17:02:18Z)
• Multi-timescale time encoding for CNN prediction of Fenna-Matthews-Olson energy-transfer dynamics [4.040694711418461]
  システムパラメータと余剰時間を直接励起エネルギー変換集団に符号化する非再帰畳み込みニューラルネットワークを開発した。 ネットワークは、さまざまな再編成エネルギー、入浴率、温度の0sim100 ps$のダイナミクスを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-21T12:40:39Z)
• Computing exact moments of local random quantum circuits via tensor networks [0.40498500266986387]
  量子情報の基本的なプリミティブは、$mathbbE_U[rm Tr[Urho Udagger O]t]$の計算である。 本研究では,局所ゲートモーメント演算子を局所通勤基地に作用する小さな次元テンソルにマッピングするテンソルネットワークを用いてモーメントを推定する。
  論文  参考訳（メタデータ） (2024-03-04T03:50:31Z)
• A Dynamical Model of Neural Scaling Laws [79.59705237659547]
  ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。 我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
  論文  参考訳（メタデータ） (2024-02-02T01:41:38Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Computing high-dimensional optimal transport by flow neural networks [19.859984725284896]
  本研究は,フローモデルを最適化することにより,任意の2つの分布に対して$P$と$Q$の動的OTを計算することを提案する。 本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。 提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DRE上での強い経験的性能によって実証される。
  論文  参考訳（メタデータ） (2023-05-19T17:48:21Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Hierarchical autoregressive neural networks for statistical systems [0.05156484100374058]
  我々は、例えばスピンのような物理的自由度の階層的な結合を、システムの線形範囲$L$のスケーリングに置き換えるニューロンに提案する。 我々は,2次元Isingモデルに対して,最大128×128$スピンの格子をシミュレートし,時間ベンチマークを512×512$の格子に到達させることで,その2次元Isingモデルに対するアプローチを実証した。
  論文  参考訳（メタデータ） (2022-03-21T13:55:53Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)

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。