LLM 指导的量子电路 Born 机器金融生成建模中的 ansatz 设计
量子物理
2025-09-11 v1 机器学习
摘要
量子回路 Born 机器（QCBM）在量子生成建模中展现出巨大的潜力，但发现既具表达力又具硬件效率的 ansatz 仍是关键挑战，尤其是在噪声中等规模量子（NISQ）设备上。本文引入一个基于大型语言模型（LLM）的框架，用于生成硬件感知的 QCBM 架构。提示词以量子比特连通性、门错误率和硬件拓扑为条件，while iterative feedback, including Kullback-Leibler (KL) divergence, circuit depth, and validity, is used to refine the circuits. 我们在涉及日本国债（JGB）利率日常变动的金融建模任务中评估了该方法。我们的结果表明，LLM 生成的 ansatz 在实际 IBM 量子硬件上使用 12 个量子比特时，显著更浅且实现了优异的生成性能。这一发现表明 LLM 驱动的量子架构搜索在实际应用中具有实际效用，为面向近期量子设备构建稳健、可部署的生成模型指明了前景之路。
引用
@article{arxiv.2509.08385,
title = {LLM-Guided Ans\"atze Design for Quantum Circuit Born Machines in Financial Generative Modeling},
author = {Yaswitha Gujju and Romain Harang and Tetsuo Shibuya},
journal= {arXiv preprint arXiv:2509.08385},
year = {2025}
}
备注
Work presented at the 3rd International Workshop on Quantum Machine Learning: From Research to Practice (QML@QCE'25)