DisQu：探究无序性对量子生成模型的影响
无序系统与神经网络
2026-02-10 v2
摘要
无序量子多体系统 (DQS) 和量子神经网络 (QNN) 具有许多共同的结构特征。然而，DQS 本质上是一个具有随机权重的已初始化 QNN，通常会导致非随机的结果。在这项工作中，我们强调了随机过程作为一种实际上隐藏在 QNN 中的欺骗性量子生成模型的可能性。当我们在 QNN 中随机选择权重时，量子门的酉性保持不变。正如我们所展示的，这可能导致记忆效应，对 QNN 的可学习性和可训练性产生多种后果，而这是人们从具有随机权重的经典神经网络中所无法预期的。这种现象可能导致对常见量子生成模型能力的根本性误解，在这些模型中，新样本的生成本质上是对随机输出的平均。虽然我们建议 DQS 可以有效地用于图像增强等任务，但我们提请注意，过于简单的数据集常被用于展示量子模型的生成能力，这可能导致对其有效性的高估。
引用
@article{arxiv.2409.16180,
title = {DisQu: Investigating the Impact of Disorder in Quantum Generative Models},
author = {Yannick Werner and Jasmin Frkatovic and Vitor Fortes Rey and Matthias Tschöpe and Sungho Suh and Paul Lukowicz and Nikolaos Palaiodimopoulos and Maximilian Kiefer-Emmanouilidis},
journal= {arXiv preprint arXiv:2409.16180},
year = {2026}
}
备注
8 pages, 6 figures, 2 appendices