論文の概要: Quantum MeanFlow: single-shot generative sampling on NISQ hardware
- arxiv url: http://arxiv.org/abs/2609.02186v1
- Date: Wed, 02 Sep 2026 06:49:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.124521
- Title: Quantum MeanFlow: single-shot generative sampling on NISQ hardware
- Title（参考訳）: Quantum MeanFlow: NISQハードウェア上の単一ショット生成サンプリング
- Abstract要約: フローマッチング(Flow matching)は、単純な既知の分布を学習速度場を用いて対象データ分布に移動させることにより、サンプルを生成する生成方法である。
本稿では,1ステップのサンプル生成が可能な量子平均流(QMF)について紹介する。
単段QMFは、多段QFMに比べて画質が低いが、単段QFMサンプリングでは各撮影回数より優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.30586855806896046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum generative models offer a promising framework for exploring whether quantum computation can enhance generative machine learning. Flow matching is a generative method in which samples are generated by transporting a simple, known distribution to the target data distribution with a learned velocity field. Its quantum counterpart, known as quantum flow matching (QFM), was introduced recently, and, like its classical counterpart, requires integrating an ordinary differential equation over many time steps during inference. As each step requires the output from the previous step, the circuit submission is sequential and a drawback on quantum computers as they have high input/output costs. To alleviate this problem, we introduce Quantum MeanFlow (QMF), the quantum analogue of the MeanFlow formulation, which allows single-step sample generation. While the QFM learns an instantaneous velocity field at each time step, QMF learns the average velocity over a time interval. We use a parameterized quantum circuit to learn these velocity fields and benchmark the two methods on the MNIST dataset. We show that while single-step QMF has lower image quality compared to multi-step QFM, it performs better than the single-step QFM sampling at every shot count. Both of our models are executed on IBM quantum computers and best-of-N rejection sampling recovers most of the accuracy lost to device noise without modifying the circuit. This is especially advantageous for QMF which has only one circuit evaluation per image. Here, We establish QMF as a viable method for single-step quantum generative sampling, saving on quantum circuit evaluations per generated sample.
- Abstract（参考訳）: 量子生成モデルは、量子計算が生成機械学習を強化することができるかどうかを探求するための有望なフレームワークを提供する。
フローマッチング(Flow matching)は、単純な既知の分布を学習速度場を用いて対象データ分布に移動させることにより、サンプルを生成する生成方法である。
量子フローマッチング(QFM)と呼ばれる量子対向の量子は、最近導入され、古典的対向と同様に、推論中に多くの時間ステップで通常の微分方程式を統合する必要がある。
各ステップは前ステップからの出力を必要とするため、回路の入力はシーケンシャルであり、入力/出力コストが高いため、量子コンピュータに欠点がある。
この問題を緩和するために、単段階サンプル生成を可能にするMeanFlowの量子アナログであるQuantum MeanFlow (QMF)を導入する。
QFMは各時間ステップで即時速度場を学習する一方、QMFは時間間隔で平均速度を学習する。
パラメータ化量子回路を用いてこれらの速度場を学習し、MNISTデータセット上で2つの手法をベンチマークする。
単段QMFは、多段QFMに比べて画質が低いが、単段QFMサンプリングでは各撮影回数より優れていることを示す。
どちらのモデルもIBMの量子コンピュータ上で実行されており、回路を変更せずにデバイスノイズによって失われる精度のほとんどをベスト・オブ・N・リジェクション・サンプリングが回復する。
これは、画像ごとに1つの回路評価しか持たないQMFにとって特に有利である。
ここでは、QMFを単一ステップの量子生成サンプリングの実行可能な方法として確立し、生成したサンプル当たりの量子回路評価を省く。
関連論文リスト
- Comparing and learning figures of merit for quantum circuit compilation [0.0]
量子アルゴリズムを特定の量子デバイス上で実行可能にするには、量子ハードウェアの制約を尊重する回路にコンパイルする必要がある。
どの回路が最も良いかと言うと、回路の品質は一般に$textitfigure of merit$ (FoM)によって定量化される。
ここでは、異なるFoMの利点とデメリットを調査し、理想FoMの特性を定式化する。
論文 参考訳（メタデータ） (2026-07-03T12:42:16Z) - Neural Guided Sampling for Quantum Circuit Optimization [26.90377134346014]
量子回路を特定のハードウェアトポロジーに変換し、利用可能なゲートのセットを減らし、トランスパイレーション(transpilation)としても知られ、等価回路の長さが大幅に増加する。
効率的なトランスパイレーションに対処する1つの方法は、例えばランダムサンプリングとトークン置換戦略を用いて最適化から知られているアプローチに基づいている。
本稿では,量子回路の2次元表現が与えられた場合,ニューラルネットワークは量子回路のゲート群を予測する。
論文 参考訳（メタデータ） (2025-10-14T12:09:05Z) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
本稿では,量子回路実行の並列化モデルを提案する。
このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
論文 参考訳（メタデータ） (2024-06-05T17:16:07Z) - Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。
QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す
混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
論文 参考訳（メタデータ） (2024-01-13T10:56:34Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
高精度かつ高精度なサンプル推測が可能な統計理論について論じる。
本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
論文 参考訳（メタデータ） (2023-10-16T17:53:30Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Protocols for Trainable and Differentiable Quantum Generative Modelling [21.24186888129542]
微分可能量子回路(DQC)としての確率分布の学習手法を提案する。
我々はDQCベースのモデルのトレーニングを行い、そこでデータは位相特徴写像で潜在空間にエンコードされ、次に変動量子回路が続く。
これにより、シングルショットの読み出しを使ってパラメタライズドディストリビューションからの高速サンプリングが可能になる。
論文 参考訳（メタデータ） (2022-02-16T18:55:48Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Fast-Forwarding with NISQ Processors without Feedback Loop [0.0]
量子シミュレーションのための代替対角化アルゴリズムとして古典量子高速フォワード法(CQFF)を提案する。
CQFFは古典的量子フィードバックループと制御されたマルチキュービットユニタリの必要性を取り除く。
私たちの仕事は、以前の記録よりも104ドルの改善を提供します。
論文 参考訳（メタデータ） (2021-04-05T14:29:33Z) - Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs.
Coded Systems [69.33243249411113]
パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。
我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
論文 参考訳（メタデータ） (2020-12-15T15:51:27Z)
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。