量子电路与扩散模型综合
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
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
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
本研究通过数值模拟，证明了生成扩散模型 (DM) 可以有效减小马尔可夫链中的自相关时间，特别是在临界区域，这对于量子晶格场构型的生成具有重要意义，尤其是当生成大样本集合的成本很高时。
Sep, 2023
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
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
本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。
Apr, 2023
本文研究如何在量子领域扩展敌对训练的概念，并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度，同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型，并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。
Apr, 2018
通过量子电路出生机器实现深度量子电路的生成建模，并提出了一种基于梯度的学习算法来最小化核化的最大均值偏差损失函数，该算法可以在近期的量子设备上运行并在生成建模方面显现出量子优势。
Apr, 2018