Mixed-State Quantum Denoising Diffusion Probabilistic Model

要約

生成量子機械学習は、望ましい分布を持つ量子状態を生成できる能力で大きな注目を集めています。
さまざまな量子生成モデルの中で、量子ノイズ除去拡散確率モデル (QuDDPM) [Phys.
レット牧師。
132、100602 (2024)] は、トレーニングの問題を解決する段階的学習による有望なアプローチを提供します。
ただし、QuDDPM における高忠実度のスクランブル ユニタリの要件は、短期的な実装において課題を引き起こします。
ユニタリーのスクランブルの必要性を排除するために、\textit{混合状態量子ノイズ除去拡散確率モデル} (MSQuDDPM) を提案します。
私たちのアプローチは、量子ノイズ チャネルをモデル アーキテクチャに適応させることに焦点を当てており、前方拡散プロセスでの偏光解消ノイズ チャネルと、後方ノイズ除去ステップでの射影測定によるパラメータ化された量子回路を統合します。
また、ノイズ補間のコサイン指数スケジュール、単一量子ビットのランダム補助の使用、収束を強化するための超忠実度ベースのコスト関数など、MSQuDDPM を改善するためのいくつかの手法も紹介します。
量子アンサンブル生成タスクで MSQuDDPM を評価し、その優れたパフォーマンスを実証します。

要約(オリジナル)

Generative quantum machine learning has gained significant attention for its ability to produce quantum states with desired distributions. Among various quantum generative models, quantum denoising diffusion probabilistic models (QuDDPMs) [Phys. Rev. Lett. 132, 100602 (2024)] provide a promising approach with stepwise learning that resolves the training issues. However, the requirement of high-fidelity scrambling unitaries in QuDDPM poses a challenge in near-term implementation. We propose the \textit{mixed-state quantum denoising diffusion probabilistic model} (MSQuDDPM) to eliminate the need for scrambling unitaries. Our approach focuses on adapting the quantum noise channels to the model architecture, which integrates depolarizing noise channels in the forward diffusion process and parameterized quantum circuits with projective measurements in the backward denoising steps. We also introduce several techniques to improve MSQuDDPM, including a cosine-exponent schedule of noise interpolation, the use of single-qubit random ancilla, and superfidelity-based cost functions to enhance the convergence. We evaluate MSQuDDPM on quantum ensemble generation tasks, demonstrating its successful performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google