量子科技中心_量科网

该团队提出了一种用于构建和训练对应多元概率分布的量子生成模型的算法框架。该模型利用并行傅里叶特征映射来嵌入连续值变量，并结合一种forrelation型量子电路来调整量子模型的傅里叶系数。关键在于，该团队开发了一种独特的训练策略，通过基于帕塞瓦尔恒等式的无偏蒙特卡洛估计器和对数似然损失，实现了大规模训练。与先前依赖最大平均差异损失的量子生成模型不同，该团队的方法不仅能匹配低频矩，还能支持高效的经典训练。模型训练完成后，研究人员利用逆量子傅里叶变换将其映射到计算基中的一个独立采样电路。该团队通过在单张GPU上验证超过1000量子比特规模的损失估计，展示了所提框架的效率。实验表明，对于具有高度非平凡结构的单变量和双变量模型，该团队能够训练至较低的总变差距离，而使用最大平均差异损失进行微调的IQP模型则表现不佳。与以归一化流和扩散模型为代表的经典基线相比，该团队的方法避免了过度平滑，并保留了目标分布的多模态结构。最终，研究人员已将这些训练好的模型部署到超导量子设备上，成功以每个样本约300微秒的执行时间进行采样。该团队的研究表明，采用“经典训练-量子部署”方式的量子生成模型，既能在大规模下提供高质量的结构，又能满足推理所需的快速采样访问。