.png){kind=icon}
返回
Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41534-026-01188-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
离散扩散模型通常依赖于维度分解来避免计算上的不可行性。然而，我们严格证明这种做法会导致最坏情况下的误差与数据维度呈线性增长，从根本上无法捕捉跨维度的相关性。为解决此问题，我们提出了一种量子离散去噪扩散概率模型（QD3PM），该模型通过在指数级大的希尔伯特空间中实现扩散和去噪过程，实现联合概率学习。通过量子贝叶斯定理推导后验状态，我们为量子增强型扩散模型奠定了理论基础。我们设计了一个量子电路，利用时间信息进行参数共享，并整合了可学习的、由经典数据控制的旋转操作进行编码。关键在于，我们的方法能够实现从纯噪声到单步采样的能力，从而消除迭代瓶颈，同时支持无需重新训练的因果推断，这种灵活性在现有量子生成模型（如量子电路波恩机）中往往缺失。仿真结果表明，QD3PM在建模跨维度相关性方面显著优于参数匹配的经典基准模型，并且相较于量子生成对抗网络和量子变分自编码器，其对量子噪声具有更强的鲁棒性。因此，我们的工作通过利用量子优势进行联合分布学习，建立了一个新的理论范式。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.3
论文数:
1.4K
被引数:
8.1K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容