論文の概要: Quantum-JEPA: Quantum Born Priors for Latent-Action JEPA World Models
- arxiv url: http://arxiv.org/abs/2610.27921v1
- Date: Tue, 20 Oct 2026 09:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.744189
- Title: Quantum-JEPA: Quantum Born Priors for Latent-Action JEPA World Models
- Title（参考訳）: 量子JEPA: 潜在アクションJEPA世界モデルに先立つ量子誕生
- Abstract要約: 本研究では,条件付き量子ボーンを用いた将来の表現の分布を学習するフレームワークであるQuantum-JEPAを紹介する。
我々は、これらの予測の質と多様性をサンプルエネルギーの目的を用いて、量子を事前訓練する。
この結果は,JEPAの将来予測のためのトレーニング可能な量子コンポーネントを確立し,大規模に量子強化された世界モデルを探索するための基礎となる。
- 参考スコア（独自算出の注目度）: 22.972375099284182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A single observation can admit several plausible futures, making uncertainty an essential part of world modelling. However, quantum generative models remain underexplored for this task. We introduce Quantum-JEPA, a latent-action JEPA framework that learns distributions of future representations using a conditional quantum Born prior. Circuit measurements generate binary latent actions, which a shared predictor maps to alternative future representations. We train the quantum prior through the quality and diversity of these predictions using a sampled energy objective. Our model learns distinct continuations on constructed multimodal tasks and captures latent-action correlations that support coordinated multi-agent futures. On D3IL, a benchmark of diverse human demonstrations, our trained models generate multiple obstacle-crossing routes from a common starting point without observed motion. On the controlled tasks, our classical and quantum prior implementations improve prediction validity and distributional fidelity over the evaluated variational baselines. Our quantum priors combine competitive predictive quality with a parameter-efficient sampling structure: they avoid an exponentially sized categorical output layer while supporting correlated latent actions. We further validate finite-shot parameter-shift training, including training with readout noise. Unlike most prior work, which focuses on simulation, we also verify the feasibility of inference with trained priors on a real QPU. These results establish a trainable quantum component for JEPA future prediction and a basis for exploring quantum-enhanced world models at larger scales.
- Abstract（参考訳）: 単一の観測ではいくつかの有望な未来が認められ、不確実性は世界モデリングの不可欠な部分となる。
しかし、量子生成モデルは、この課題のために未発見のままである。
我々は、条件付き量子ボルンを用いた将来の表現の分布を学習する潜在アクションJEPAフレームワークであるQuantum-JEPAを紹介する。
回路計測はバイナリ潜在アクションを生成し、共有予測器は代替の将来の表現にマップする。
我々は、これらの予測の質と多様性をサンプルエネルギーの目的を用いて、量子を事前訓練する。
提案モデルでは,構築したマルチモーダルタスクの個別継続を学習し,協調型マルチエージェント未来をサポートする潜在動作相関をキャプチャする。
多様な人間のデモンストレーションのベンチマークであるD3ILでは、トレーニングされたモデルは、観測された動きを伴わずに共通の出発点から複数の障害物横断経路を生成する。
制御されたタスクにおいて、古典的および量子的先行実装は、評価された変動ベースラインに対する予測妥当性と分布忠実性を改善する。
我々の量子先駆者は、競合予測品質とパラメータ効率のよいサンプリング構造を組み合わせ、相関した潜在動作をサポートしながら指数的に大きさのカテゴリー出力層を避ける。
さらに、読み出し雑音によるトレーニングを含む、有限ショットパラメータシフトトレーニングを検証する。
シミュレーションに焦点を当てた従来の作業とは異なり、実際のQPU上でのトレーニング済みの事前推論の実現可能性も検証する。
これらの結果は、JEPAの将来予測のためのトレーニング可能な量子コンポーネントを確立し、大規模で量子強化された世界モデルを探索するための基盤となる。
関連論文リスト
- Quantum Fidelity Landscape-Guided Prior Calibration for Single-Circuit QGAN Image Generation [11.109377359699371]
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。
論文 参考訳（メタデータ） (2026-09-29T04:40:39Z) - Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors [0.21485350418225238]
変分オートエンコーダ(VAE)は複雑なデータのコンパクトな潜在表現を学習する。
エネルギーベースの先例は、因数分解された仮定を超えるための原則化された方法を提供する。
本稿では,量子アニール法を用いてトレーニングしたBoltzmann-machineについて述べる。
論文 参考訳（メタデータ） (2026-04-01T13:59:40Z) - Quantum Maximum Likelihood Prediction via Hilbert Space Embeddings [31.683730083409497]
近年の研究では、現代の大規模言語モデルがコンテキスト内予測を行う能力について、様々な説明がなされている。
量子密度演算子の空間への確率分布の埋め込みの学習としてトレーニングをモデル化する。
非漸近的な性能保証を収束率と濃度不等式の観点から導き出す。
論文 参考訳（メタデータ） (2026-02-20T17:16:38Z) - Quantum-Enhanced Parameter-Efficient Learning for Typhoon Trajectory Forecasting [4.150720683153208]
台風予測モデル学習のためのQPA(Quantum Adaptation)を提案する。
QPAは、予測精度を維持しながらパラメータ効率のトレーニングを可能にする。
この研究は、大規模な台風軌道予測への量子機械学習(QML)の最初の応用である。
論文 参考訳（メタデータ） (2025-05-14T13:50:44Z) - A Survey of Quantum Transformers: Architectures, Challenges and Outlooks [82.4736481748099]
量子変換器は古典変換器の表現力と量子コンピューティングの計算上の利点を統合する。
2022年以降、この地域の研究は急速に拡大し、様々な技術パラダイムや初期の応用がもたらされた。
本稿では,量子トランスモデルの包括的,体系的,詳細な調査を行う。
論文 参考訳（メタデータ） (2025-04-04T05:40:18Z) - A Quantum Neural Network Transfer-Learning Model for Forecasting Problems with Continuous and Discrete Variables [0.0]
本研究では、タスク予測のための伝達学習手法として、単純で効果的な連続変数および離散変数量子ニューラルネットワーク(QNN)モデルを提案する。
CV-QNNは2つの量子ビットを持つ単一の量子層を備え、絡み合いを確立し、最小限の量子ゲートを使用する。
このモデルの凍結パラメータは、エネルギー消費、交通の流れ、気象条件、暗号通貨の価格予測など、様々な予測タスクにうまく適用されている。
論文 参考訳（メタデータ） (2025-03-04T22:38:51Z) - Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳（メタデータ） (2025-01-19T21:24:02Z) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - PreQuant: A Task-agnostic Quantization Approach for Pre-trained Language
Models [52.09865918265002]
ファインチューニングのフレームワークPreQuantに先立って,新しい量子化を提案する。
PreQuantは様々な量子化戦略と互換性があり、インダクションされた量子化誤差を修正するために、アウタリア対応の微調整が組み込まれている。
BERT,RoBERTa,T5を用いたGLUEベンチマークにおけるPreQuantの有効性を示す。
論文 参考訳（メタデータ） (2023-05-30T08:41:33Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z)
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。