論文の概要: Quantum Fidelity Landscape-Guided Prior Calibration for Single-Circuit QGAN Image Generation

• arxiv url: http://arxiv.org/abs/2609.36702v1
• Date: Tue, 29 Sep 2026 04:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.189603
• Title: Quantum Fidelity Landscape-Guided Prior Calibration for Single-Circuit QGAN Image Generation
• Title（参考訳）: 単一回路QGAN画像生成のための量子忠実ランドスケープ誘導事前校正
• Abstract要約: QGAN(Quantum Generative Adversarial Networks)は、NISQ(Noisy Intermediate-Scale Quantum)時代に代表的生成モデルとして登場した。 単一量子回路QGANを用いた画素レベルのエンドツーエンド画像生成を提案する。 そこで我々は,BasicQGANが,より少ない量子ビットとトレーニング可能なパラメータを必要とせずに,安定かつ効果的に画素レベルの画像生成を実現することを示す。
• 参考スコア（独自算出の注目度）: 11.109377359699371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Generative Adversarial Networks (QGANs) have emerged as representative generative models in the Noisy Intermediate-Scale Quantum (NISQ) era and have attracted increasing attention in quantum machine learning. However, most existing QGAN methods rely on patch-based decomposition strategies, which weaken the global consistency of generated images and increase quantum resource overhead. In this work, we investigate a simpler approach: pixel-level, end-to-end image generation using a single-quantum-circuit QGAN. By analyzing the structural matching relationship between the quantum prior and the target data distribution in Hilbert space, we provide a new theoretical perspective for understanding the training behavior of naive end-to-end QGANs. Specifically, we introduce the Quantum Fidelity Landscape (QFL), defined as the pairwise-fidelity structure induced by an ensemble of quantum states and preserved under shared unitary transformations of the quantum generation process. We show that, under a fixed Lipschitz readout, this invariant imposes a one-sided bound on decoded sample separation, motivating calibration of the prior-induced QFL before adversarial training. To validate this theoretical insight, we propose BasicQGAN, a QGAN framework incorporating quantum prior calibration. Before adversarial optimization, BasicQGAN aligns the prior-induced QFL with the data-induced QFL. Experimental results on small-scale grayscale image datasets show that BasicQGAN achieves stable and effective end-to-end pixel-level image generation while requiring fewer qubits and trainable parameters than representative patch-based quantum generators. Furthermore, experiments with different initial quantum-state ensembles show that QFL-calibrated ensembles achieve better generative performance.
• Abstract（参考訳）: QGAN(Quantum Generative Adversarial Networks)は、NISQ(Noisy Intermediate-Scale Quantum)時代に代表的生成モデルとして登場し、量子機械学習において注目を集めている。 しかし、既存のQGAN手法の多くはパッチベースの分解戦略に依存しており、これは生成された画像のグローバルな一貫性を弱め、量子リソースのオーバーヘッドを増大させる。 本研究では,単一量子回路QGANを用いた画素レベルのエンドツーエンド画像生成法を提案する。 ヒルベルト空間における量子前駆体と対象データ分布の構造的一致関係を解析することにより, 素端QGANの学習行動を理解するための新たな理論的視点を提供する。 具体的には、量子状態のアンサンブルによって引き起こされるペアワイズ忠実構造として定義され、量子生成プロセスの共有ユニタリ変換の下で保存される量子フィデリティランドスケープ(QFL)を紹介する。 固定されたリプシッツ読解の下では、この不変量はデコードされたサンプル分離に一方的な境界を課し、逆行訓練の前に事前誘導されたQFLの校正を動機付けていることを示す。 この理論的知見を検証するために,量子事前校正を取り入れたQGANフレームワークであるBasicQGANを提案する。 逆最適化の前に、BasicQGANは、事前誘導QFLとデータ誘導QFLを整列する。 小型グレースケール画像データセットによる実験結果から,BasicQGANは,汎用パッチベースの量子ジェネレータよりも量子ビットやトレーニング可能なパラメータを少なく抑えながら,安定かつ効果的にエンド・ツー・エンドの画素レベルの画像生成を実現することが示された。 さらに、異なる初期量子状態アンサンブルを用いた実験により、QFL校正アンサンブルはより優れた生成性能が得られることが示された。

関連論文リスト

• End-to-End QGAN-Based Image Synthesis via Neural Noise Encoding and Intensity Calibration [13.610834459583344]
  Quantum Generative Adversarial Networks (QGAN)は、短期的な量子デバイス上でのデータ分散を学習するための、有望なパスを提供する。 画像合成のための既存のQGANは、古典的な後処理やパッチベースの手法に依存して、直接のフルイメージ生成を避ける。 D-qubit量子回路を用いてN=2Dピクセル画像全体を合成するエンドツーエンドフレームワークReQGANを提案する。
  論文  参考訳（メタデータ） (2026-03-19T07:09:24Z)
• 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)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding [44.89303833148191]
  我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。 本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。 画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
  論文  参考訳（メタデータ） (2022-12-04T03:18:03Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。