論文の概要: An Efficient Quantum Circuit for Flow Model Execution Using Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2610.11537v1
• Date: Thu, 08 Oct 2026 09:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.910063
• Title: An Efficient Quantum Circuit for Flow Model Execution Using Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワークを用いた流れモデル実行のための効率的な量子回路
• Abstract要約: 流れモデルは、速度場によって定義される常微分方程式を解くことにより、初期分布から目標分布への軌道を生成する。 波動関数フローは、量子状態のシュルディンガー進化を駆動する連続性ハミルトニアンを導入することによって、フローモデルと量子力学の間の公式な接続を確立する。
• 参考スコア（独自算出の注目度）: 0.30693357740321775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow models generate trajectories from an initial distribution to a target distribution by solving an ordinary differential equation defined by a velocity field. Flow matching learns this velocity field by modeling the transport dynamics between the two distributions. Wavefunction flow establishes a formal connection between flow models and quantum dynamics by introducing a continuity Hamiltonian, which drives the Schrödinger evolution of quantum states. In this paper, we investigate accurate and efficient quantum simulation of the wavefunction flow, thereby realizing the efficient implementation of flow models on quantum computers. We first leverage a quantum read-only memory (QROM)-based phase kickback framework for the wavefunction flow simulation, generating probability densities that closely match those produced by the corresponding conventional flow model. To address the high circuit-resource cost, we further incorporate a trained quantum neural network (QNN) into the phase kickback framework, replacing QROM for data encoding. Numerical experiments demonstrate that our proposed method implements flow models on quantum computers more efficiently, since it maintains the accuracy of wavefunction flow simulation compared with the QROM-based framework, and significantly reduces the circuit resources.
• Abstract（参考訳）: 流れモデルは、速度場によって定義される常微分方程式を解くことにより、初期分布から目標分布への軌道を生成する。 フローマッチングはこの速度場を、2つの分布間の輸送力学をモデル化することによって学習する。 波動関数フローは、量子状態のシュレーディンガー進化を駆動する連続性ハミルトニアンを導入することによって、フローモデルと量子力学の間の公式な接続を確立する。 本稿では,ウェーブファンクションフローの高精度かつ効率的な量子シミュレーションを行い,量子コンピュータ上でのフローモデルの効率的な実装を実現する。 まず、量子リードオンリーメモリ(QROM)ベースの位相キックバックフレームワークをウェーブファンクションフローシミュレーションに利用し、対応する従来のフローモデルと密に一致した確率密度を生成する。 高い回路リソースコストに対応するため、トレーニングされた量子ニューラルネットワーク(QNN)をフェーズキックバックフレームワークに組み込んで、QROMをデータエンコーディングに置き換える。 提案手法はQROMベースのフレームワークと比較して波動関数フローシミュレーションの精度を保ち、回路資源を大幅に削減するため、量子コンピュータ上のフローモデルをより効率的に実装することを示した。

関連論文リスト

• 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)
• Quantum machine learning for efficient reduced order modelling of turbulent flows [7.466937279190739]
  乱流の正確な予測は、その高次元性と固有非線形性のために流体力学における中心的な課題である。 量子アルゴリズムと機械学習の最近の発展は、乱流モデリングに固有の計算障壁を克服する新たな機会を提供する。 ここでは、リアルタイムの乱流予測を高速化する新しいハイブリッド量子古典的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-23T17:42:46Z)
• Quantum Flow Matching [7.246258513838036]
  量子フローマッチングは、2つの密度行列間の効率性を提供する。 QFMは、高価な回路再設計を必要とせず、量子コンピュータ上で実現することができる。 これらの結果はQFMを量子システム全体にわたる生成モデリングのための統一的で有望なフレームワークとして位置づけている。
  論文  参考訳（メタデータ） (2025-08-17T16:00:20Z)
• Optimal absorption and emission of itinerant fields into a spin ensemble memory [39.74150797598488]
  この研究はスピンベースの量子メモリに焦点をあて、そこでは反復電磁場が大きなアンサンブルに格納される。 我々は吸収過程と放出過程の両方を記述するカスケード量子モデルを開発した。 超伝導量子プロセッサと相互作用するマイクロ波量子メモリの文脈で数値シミュレーションを行う。
  論文  参考訳（メタデータ） (2025-06-06T14:16:54Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Flowing Through Hilbert Space: Quantum-Enhanced Generative Models for Lattice Field Theory [0.9208007322096533]
  このような状態下での量子強調サンプリングを探索するために,ハイブリッド量子古典正規化フローモデルを開発した。 提案手法では,パラメータ化量子回路を古典正規化フローアーキテクチャに組み込み,振幅エンコーディングと量子絡み合いを利用して生成過程における表現性を高める。
  論文  参考訳（メタデータ） (2025-05-15T17:58:16Z)
• Exploring quantum localization with machine learning [39.58317527488534]
  本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。 提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
  論文  参考訳（メタデータ） (2024-06-01T08:50:26Z)
• 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)
• 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)

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。