具有经典采样难度的量子生成模型的局限性

采样任务在理论和实验上已成功确立了量子优势。这推动了使用量子计算机进行生成建模，以创建遵循给定数据集概率分布的样本。特别是，在经典困难分布上构建生成模型的潜力，由于理论上的分离性，将直接排除经典可模拟性。在这项工作中，我们从输出分布的角度研究量子生成模型，表明反集中模型在平均情况下是不可训练的，包括那些展示量子优势的模型。相比之下，从稀疏分布输出数据的模型可以被训练。我们考虑特殊情况以增强可训练性，并观察到这为替代采样的经典算法开辟了道路。这种观察到的权衡与量子过程的验证有关。我们得出结论，量子优势仍然可以在生成模型中找到，尽管其来源必须与反集中性不同。