Quantum-Noise-Driven Generative Diffusion Models

要約

機械学習技術で実現された生成モデルは、新しい合成データを生成するために、有限数のトレーニング サンプルから複雑で未知のデータ分布を推測するための強力なツールです。
拡散モデルは、合成テキストや高品質の画像を作成する際に、敵対的生成ネットワークのパフォーマンスを最近克服した新しいフレームワークです。
ここでは、拡散モデルの量子一般化、つまり実際の量子システムで実験的にテストできる 3 つの量子ノイズ駆動の生成拡散モデルを提案し、議論します。
このアイデアは、推論中の古典的な拡散モデルの主な計算負荷を克服するために、独自の量子機能、特に現在利用可能なノイズの多い量子プロセッサが必然的に被るコヒーレンス、エンタングルメント、およびノイズ間の自明ではない相互作用を利用することです。
したがって、検出して解決すべき問題として量子ノイズを利用するのではなく、古典的に表現することが困難または不可能でさえあるはるかに複雑な確率分布を生成し、そこから量子プロセッサが生成する非常に有益な重要な要素として量子ノイズを利用することを提案します。
従来のものよりも効率的にサンプリングできる可能性があります。
ハイブリッド古典量子生成拡散モデルの数値シミュレーションの例も含まれています。
したがって、私たちの結果は、気候予測から神経科学、交通流分析、交通流分析に至るまでの広範な現実世界のアプリケーションでのデータ生成/予測などのより強力な古典的なタスクに対処する、新しい量子にインスピレーションを得た、または量子ベースの生成拡散アルゴリズムへの道を開くことが期待されています。
財務予測。

要約(オリジナル)

Generative models realized with machine learning techniques are powerful tools to infer complex and unknown data distributions from a finite number of training samples in order to produce new synthetic data. Diffusion models are an emerging framework that have recently overcome the performance of the generative adversarial networks in creating synthetic text and high-quality images. Here, we propose and discuss the quantum generalization of diffusion models, i.e., three quantum-noise-driven generative diffusion models that could be experimentally tested on real quantum systems. The idea is to harness unique quantum features, in particular the non-trivial interplay among coherence, entanglement and noise that the currently available noisy quantum processors do unavoidably suffer from, in order to overcome the main computational burdens of classical diffusion models during inference. Hence, we suggest to exploit quantum noise not as an issue to be detected and solved but instead as a very remarkably beneficial key ingredient to generate much more complex probability distributions that would be difficult or even impossible to express classically, and from which a quantum processor might sample more efficiently than a classical one. An example of numerical simulations for an hybrid classical-quantum generative diffusion model is also included. Therefore, our results are expected to pave the way for new quantum-inspired or quantum-based generative diffusion algorithms addressing more powerfully classical tasks as data generation/prediction with widespread real-world applications ranging from climate forecasting to neuroscience, from traffic flow analysis to financial forecasting.

arxiv情報

著者 Marco Parigi,Stefano Martina,Filippo Caruso
発行日 2024-06-12 14:52:10+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 68Q09, 68Q12, 81P47, 81P68, cond-mat.dis-nn, cs.AI, cs.LG, I.2.6, quant-ph, stat.ML パーマリンク