ConQuER：面向IQP量子生成模型的可控性与偏差缓解的模块化架构
量子物理
2025-10-14 v2 人工智能
机器学习
摘要
基于瞬时量子多项式（IQP）电路的量子生成模型在保持经典可训练性的同时，展现出学习复杂分布的巨大潜力。然而，当前实现存在两个关键局限：缺乏对生成输出的可控性，以及对特定预期模式的严重生成偏差。我们提出一种可控量子生成框架ConQuER，通过模块化电路架构解决上述两个挑战。ConQuER嵌入一个轻量级控制电路，可直接与预训练的IQP电路组合，从而无需完全重新训练即可精确控制输出分布。利用IQP的优势，该方案 enables 对如Hamming Weight分布等属性进行精确控制，仅需极少的参数和门控开销。此外，灵感来源于控制器设计，我们通过数据驱动优化扩展了这种模块化方法，通过在底层IQP架构中嵌入隐式控制路径，显著减少结构数据集上的生成偏差。ConQuER保持高效的经典训练特性和良好的可扩展性。我们在多个量子态数据集上进行实验，展示了ConQuER在控制精度和均衡生成性能方面的优越性，仅需极低的开销即可在原始IQP电路之上实现。我们的框架填补了量子计算优势与可控生成建模实际需求之间的鸿沟。
引用
@article{arxiv.2509.22551,
title = {ConQuER: Modular Architectures for Control and Bias Mitigation in IQP Quantum Generative Models},
author = {Xiaocheng Zou and Shijin Duan and Charles Fleming and Gaowen Liu and Ramana Rao Kompella and Shaolei Ren and Xiaolin Xu},
journal= {arXiv preprint arXiv:2509.22551},
year = {2025}
}