经典可训练、量子部署的玻色采样生成模型的普适性
量子物理
2026-03-12 v1
摘要
最近的工作指出，瞬时量子多项式时间 (IQP) 量子电路 Born 机器 (QCBM) 突显了一种有前景的生成建模范式：经典训练，量子部署。在此 setting 下，训练目标可在经典计算机上高效评估，而从结果模型中采样可能仍然是经典难以置信的。此外，在 IQP-QCBM 框架中，扩展模型族以添加辅助量子位已被证明可实现普适性。本文询问类似结果是否适用于线性光学生成模型。为此，我们引入玻色采样 Born 机器 (BSBM)。我们的分析追踪了类似于 IQP-QCBM 所发现的步骤。利用最近的结果，使线性光学中广泛类别的期望值可经典近似，我们表明 BSBM 可在宽广的损失函数家族中进行经典训练。接下来，我们论证，"基本" BSBM 不是通用生成模型，实现普适性需要在保持经典训练和采样困难性的同时扩展模型。我们的方法引入并分析常数函数后处理的作用，概括了 IQP-QCBM 的构建，这在适当条件下可导致普适性，同时保持对模型经典模拟的困难性。我们展示了一族 BSBM，其由单个超参数特征征，可实现对表达力向普适性的单调增加，同时保留表示看似困难分布的能力。此外，我们讨论了可能的经典训练方式，即高效估计损失函数梯度的可能性。
引用
@article{arxiv.2603.11014,
title = {Universality of Classically Trainable, Quantum-Deployed Boson-Sampling Generative Models},
author = {Andrii Kurkin and Ulysse Chabaud and Zoltán Kolarovszki and Bence Bakó and Zoltán Zimborás and Vedran Dunjko},
journal= {arXiv preprint arXiv:2603.11014},
year = {2026}
}