.png){kind=icon}
返回
Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble
.png){kind=icon}
PRE
AI
DOI：10.1109/tpami.2026.3718311.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混合量子态是许多物理上重要的量子系统的固有描述，使其生成成为量子信息处理中的一个基本任务。然而，构建一个在生成密度算子的同时保持每一步反向过程物理上有效的扩散过程仍然非平凡。这项工作引入了量子生成扩散模型（QGDM），这是一个完全基于量子力学模型的模型，其正向和反向过程都建立在量子信道理论之上。通过非幺正的正向过程，任何目标量子态都可以转化为完全混合态。一个可训练的反向过程从后者恢复前者。我们引入部分迹使反向过程非幺正，并通过将时间信息作为输入来跨时间步共享参数。我们提出了QGDM的资源高效版本，以减少辅助量子比特同时保留生成能力。我们理论分析了去噪设计，表明它避免了会导致训练陷入低损失捷径并引起生成失败的低损失捷径。模拟证实，QGDM在随机纯态和混合态生成方面优于量子生成对抗网络，比其他量子生成模型具有更好的噪声鲁棒性，并提供了一种针对实际吉布斯态生成的任务专用方法。因此，QGDM为学习固定混合态目标提供了一个基于信道的扩散框架，将量子生成建模扩展到现实的量子信息设置中。
Keyword:
Denoising diffusion probabilistic models
quantum generative models
quantum machine learning
variational quantum algorithms
查看更多机构