通过关联-复杂度图实现生成式量子实用性
机器学习
2026-05-06 v2 量子物理
摘要
我们研究生成式量子机器学习中的一个实际问题：在训练之前，我们能否确定经典数据集是否适合量子生成模型？我们聚焦于称为瞬时量子多项式时间 (IQP) 电路的一类电路，其输出分布被广泛认为难以使用经典方法进行采样。这些电路用于构建我们的量子生成模型。我们引入一种关联-复杂度图，这是一种由从数据样本中计算的两种量量构建的简单诊断工具。第一个量度测量数据集的谱相关模式与 IQP 电路自然产生的谱相关模式的接近程度，而第二个量度衡量数据集结构相关性中无法被简单两两模型捕获的部分。换言之，我们可以在模型族之前估计数据集如何能被近似，以及其相关性的复杂度指示经典模型可能的失效。应用这一框架，我们识别湍流数据作为量子生成建模的有前景的目标。 guided by this analysis, 我们使用一种潜在参数适应方案，在通过学习和插值低维潜在轨迹的同时复用紧凑的 IQP 电路处理时间序列，并在低数据、低参数情境下观察到对经典基准的竞争性性能。这些结果表明，数据水平的诊断可帮助优先考虑量子生成模型最可能有用的问题，数据和参数效率方面实现改进。
引用
@article{arxiv.2603.06440,
title = {Toward Generative Quantum Utility via Correlation-Complexity Map},
author = {Chen-Yu Liu and Leonardo Placidi and Eric Brunner and Enrico Rinaldi},
journal= {arXiv preprint arXiv:2603.06440},
year = {2026}
}