論文の概要: $κ$-Parametrized Boltzmann Distribution Sampling on Quantum Approximate Optimization Algorithm

• arxiv url: http://arxiv.org/abs/2610.35665v1
• Date: Mon, 26 Oct 2026 16:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 18:04:00.63832
• Title: $κ$-Parametrized Boltzmann Distribution Sampling on Quantum Approximate Optimization Algorithm
• Title（参考訳）: 量子近似最適化アルゴリズムに基づく$κ$Parametrized Boltzmann分布サンプリング
• Abstract要約: 生成モデルはトレーニングデータを使用して、オリジナルのものに似た新しいサンプルを生成する。 RBMは生成モデルの中心にあるが、訓練の計算的難しさに悩まされている。 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、RBM訓練を支援することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models use training data to produce new samples that resemble the original, with applications in classification and recommendation systems. Restricted Boltzmann Machines (RBMs) are at the core of generative models but suffer from the computational intractability of training, which relies on sampling an unknown Boltzmann Distribution (BD). The Quantum Approximate Optimization Algorithm (QAOA) can assist RBM training, potentially providing benefits over strictly classical strategies. One particular problem is determining the quantum circuit depth for an arbitrary problem size that yields the expected sampling results. In this study, we evaluate QAOA-assisted sampling of BDs using Qiskit's Aer Simulator by analysing the inverse effective temperature of the distribution, $κ$, for tractable problem sizes. The results provide numerical evidence, based on Qiskit Aer simulations, that parameterized annealing-scheduled QAOA (PAQ-QAOA) can approximate RBM Boltzmann sampling for the tractable instances considered, while hardware performance and scaling remain open questions.
• Abstract（参考訳）: 生成モデルは、トレーニングデータを使用して、分類とレコメンデーションシステムに応用した、オリジナルに類似した新しいサンプルを生成する。 制限ボルツマンマシン(RBM)は、生成モデルのコアであるが、未知のボルツマン分布(BD)のサンプリングに依存する訓練の計算的難しさに悩まされている。 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、RBM訓練を支援することができる。 特定の問題は、期待されるサンプリング結果をもたらす任意の問題サイズの量子回路深さを決定することである。 本研究では,Qiskit の Aer Simulator を用いて,QAOA による BD のサンプリングを行い,分散の逆効果温度である $κ$ をトラクタブルな問題サイズに対して解析した。 その結果、Qiskit Aer シミュレーションに基づいて、パラメータ化されたアニーリングスケジューリング QAOA (PAQ-QAOA) は、考慮されたトラクタブルインスタンスに対する RBM Boltzmann サンプリングを近似できるが、ハードウェア性能とスケーリングは未解決の問題のままである。

関連論文リスト

• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
  本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。 我々の手法は科学計算による並列シミュレーション技術に基づいている。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• Performance Upper Bound of Grover-Mixer Quantum Alternating Operator Ansatz [3.5023108034606256]
  QAOA(Quantum Alternating Operator Ansatz)は最適化問題を解くための量子アルゴリズムの一分野である。 特定の変種であるGrover-Mixer Quantum Alternating Operator Ansatz (GM-QAOA)は、等価な目的値を共有する状態間で均一な振幅を保証する。 GM-QAOAはサンプリング確率を2次的に向上させ,一貫した性能を維持するために,問題サイズと指数関数的にスケールする回路深度を必要とすることを示す。
  論文  参考訳（メタデータ） (2024-05-06T05:47:27Z)
• Entropic property of randomized QAOA circuits [0.0]
  量子近似最適化アルゴリズム(QAOA)は、パラメータ化量子回路を用いてビットストリングをサンプリングすることで離散最適化問題を解決することを目的としている。 我々は、確率に関する解析方程式と、そのようなサンプリングによって常にエネルギー分布のエントロピーが高くなるという数値的な証拠を提供する。 また, ランダムサンプリングよりも平均値が高い大域的最適値を得る確率も解析する。
  論文  参考訳（メタデータ） (2023-08-03T15:13:23Z)
• Online calibration scheme for training restricted Boltzmann machines with quantum annealing [0.552480439325792]
  本稿では,制限ボルツマンマシン (RBM) をトレーニングするためのよく近似されたサンプルを得るために,量子アニールの内部パラメータを校正する手法を提案する。 以上の結果から,本手法はギブスサンプリングと同等の性能を示した。
  論文  参考訳（メタデータ） (2023-07-19T07:07:52Z)
• 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)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

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。