谱 Born 机：面向离散数据的可经典训练量子生成模型
量子物理
2026-07-07 v1
摘要
我们提出了谱 Born 机，这是一类量子生成模型，通过群傅里叶分析的视角审视并推广 IQP Born 机类而得到。这些量子模型利用量子傅里叶变换创建一种归纳偏置，使其天然适合学习整数结构数据，同时在一般情况下仍保持经典采样的困难性。与 IQP Born 机类似，谱 Born 机可通过基于图谱分析的最大均值差异损失在经典硬件上高效规模化训练，我们在 PennyLane 软件平台的新模块 \emph{tcdq} 中实现了该功能。在数值实验中，我们展示了该模型的谱偏置如何使得参数量相比无结构方法显著减少，并通过训练一个具有超过 100 万参数的 190 量子比特模型成功学习 93 个核苷酸长度的核糖体 RNA 分布，证明了软件的可扩展性。我们的结果表明，高度过参数化的谱 Born 机可能对过拟合免疫，即使在数据严重稀缺的情况下也是如此。
引用
@article{arxiv.2607.06675,
title = {Spectral Born machines: classically trainable quantum generative models for discrete data},
author = {Austin Huang and William Maxwell and Vasilis Belis and Evan Peters and Jason Pye and Soran Jahangiri and Joseph Bowles},
journal= {arXiv preprint arXiv:2607.06675},
year = {2026}
}