最小化变分测量基量子计算中经典资源用于生成建模
计算机视觉与模式识别
2026-04-14 v1
摘要
测量基量子计算 (MBQC) 是一种量子信息处理框架，其中通过对高度纠缠资源态的单量子位测量来完成计算任务。 由于量子测量结果的不可确定性，这些操作的结果（如果未纠正）会产生一个变分量子信道 family。 传统上，这种随机性通过经典处理进行纠正，以确保确定性的单位计算。 最近，变分测量基量子计算 (VMBQC) 被引入以利用这种测量诱导的随机性来在生成建模中获得优势。 这种方法的一个限制是，该信道模型的参数数量是单位模型的两倍，规模为 ，其中 为逻辑量子位的数量（宽度）， 为 VMBQC 模型的深度。这通常会使得优化更加困难，可能导致训练性不佳的模型。 本文提出了一种受限 VMBQC 模型，将单位设置扩展到信道基础，只使用一个额外的可训练参数。 我们表明，无论是数值上还是代数上，这种最小扩展都足够生成无法由相应单位模型学习的概率分布。
引用
@article{arxiv.2604.11576,
title = {Finetune Like You Pretrain: Boosting Zero-shot Adversarial Robustness in Vision-language Models},
author = {Songlong Xing and Weijie Wang and Zhengyu Zhao and Jindong Gu and Philip Torr and Nicu Sebe},
journal= {arXiv preprint arXiv:2604.11576},
year = {2026}
}
备注
Accepted to CVPR Findings Track 2026