该研究通过将生成扩散模型（DMs）与随机量子化与随机微分方程的角度链接，深入探讨了机器学习与晶格场论之间的联系。我们展示了 DMs 可以通过逆转由 Langevin 方程驱动的随机过程的方式进行概念化，从而生成来自初始分布的样本以近似目标分布。通过一个玩具模型，我们强调了 DMs 学习有效动作的能力。此外，我们展示了作为二维 Phi^4 量子晶格场论中生成配置的全局采样器的可行性。

Nov, 2023

量子计算中的生成机器学习模型和去噪扩散模型在产生期望的量子操作方面具有优势，并在纠缠生成和酉编译等任务中展示出灵活性和潜力。

Nov, 2023

此研究介绍了量子生成扩散模型（QGDM），一种完全的量子力学模型，用于生成量子态系列，灵感来自去噪扩散概率模型。QGDM 通过引入时间步骤相关的噪声进入量子态，并配对训练以逆转这种污染的降噪机制，高效地将完全混合态演化成目标量子态。与量子生成对抗网络的比较分析证明了 QGDM 的优越性，在涉及 4 个量子比特的数值模拟中，拟真度指标超过 0.99。此外，我们提出了一种资源高效的 QGDM 版本（RE-QGDM），其在涉及 8 个量子比特的任务中减少了对辅助量子比特的需求，同时保持了令人印象深刻的生成能力。这些结果展示了所提出模型在应对具有挑战性的量子生成问题方面的潜力。

Jan, 2024

本文介绍了如何加速去噪扩散生成模型的生成过程，通过对去噪网络进行压缩，在不进行重新训练的情况下，将完全精度的 DM 量化为 8 位模型，并可在其他快速采样方法上使用。

Nov, 2022

本研究提出了一种高效的量化策略，利用信噪比（SQNR）作为评估指标，将相对量化噪声视为噪声，识别模型中的敏感部分，并提出了既包括全局策略又包括局部策略的高效量化方法。实验结果表明，实施全局和局部策略能够高效地量化并有效地压缩 LDMs。

Dec, 2023

量子驱动扩散模型的量子泛化被提出，并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分，我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。

Aug, 2023

基于经典对应物，我们提出了量子去噪扩散概率模型（QuDDPM），以实现对量子数据的高效可训练生成学习。

Oct, 2023

本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 PSNR 方面超越了传统模型。此外，我们还引入了一种一致性模型单一采样架构，将扩散过程合并为一步，实现了快速一步图像生成。

Jan, 2024

针对量子系统状态的生成建模问题，本文提出了一种基于去噪扩散模型的方法，其关键创新点在于考虑了物理性质中的量子状态约束，通过 Mirror Diffusion Model 和设计出的镜像映射实现了严格保持结构的生成，实验验证了无条件生成和通过无监督分类器引导的条件生成的有效性，后者甚至在未知标签上生成了新的量子状态。

Apr, 2024

使用扩散模型学习统计场论和量子场论的逆重整化群流。

Aug, 2023