[論文レビュー] Toward Generative Quantum Utility via Correlation-Complexity Map

Chen-Yu Liu, Leonardo Placidi+2 more|arXiv (Cornell University)|Mar 6, 2026

Quantum many-body systems被引用数 0

ひとこと要約

この論文は、実世界データのIQP型量子生成モデルとの適合性を診断する二指標QCLIとCCIを備えたCorrelation–Complexity Mapを提案し、潜在適応IQPジェネレータを用いた乱流データセットのケーススタディを実証する。

ABSTRACT

We propose a Correlation-Complexity Map as a practical diagnostic tool for determining when real-world data distributions are structurally aligned with IQP-type quantum generative models. Characterized by two complementary indicators: (i) a Quantum Correlation-Likeness Indicator (QCLI), computed from the dataset's correlation-order (Walsh-Hadamard/Fourier) power spectrum aggregated by interaction order and quantified via Jensen-Shannon divergence from an i.i.d. binomial reference; and (ii) a Classical Correlation-Complexity Indicator (CCI), defined as the fraction of total correlation not captured by the optimal Chow-Liu tree approximation, normalized by total correlation. We provide theoretical support by relating QCLI to a support-mismatch mechanism, for fixed-architecture IQP families trained with an MMD objective, higher QCLI implies a smaller irreducible approximation floor. Using the map, we identify the classical turbulence data as both IQP-compatible and classically complex (high QCLI/high CCI). Guided by this placement, we use an invertible float-to-bitstring representation and a latent-parameter adaptation scheme that reuses a compact IQP circuit over a temporal sequence by learning and interpolating a low-dimensional latent trajectory. In comparative evaluations against classical models such as Restricted Boltzmann Machine (RBM) and Deep Convolutional Generative Adversarial Networks (DCGAN), the IQP approach achieves competitive distributional alignment while using substantially fewer training snapshots and a small latent block, supporting the use of QCLI/CCI as practical indicators for locating IQP-aligned domains and advancing generative quantum utility.

研究の動機と目的

• 実世界データセットがIQP型生成バイアスに整合するかを評価する実用的指標を提供する。
• 量子適合性と古典的な複雑さでデータセットを分離する2次元のCorrelation–Complexity Map（QCLI対CCI）を開発する。
• 乱流データセットでアプローチを実証し、効率的な潜在適応IQPジェネレーターを示す。
• 浮動小数点数からビットへとデータ表現を橋渡しし、連続データのIQPベース生成モデリングを可能にする。
• 古典的な生成モデルと比較してワークフローを検証し、IQPに適合する領域を特定する実用的指標を論証する。

提案手法

• データセットのWalsh–Hadamard順序スペクトルとbinomial i.i.d.参照との間のJensen–Shannon距離としてQuantum Correlation–Likeness Indicator (QCLI)を定義する。
• 最適なChow–Liu木が捕捉する全相関と総相関の比の1を引くことでClassical Correlation–Complexity Indicator (CCI)を計算する。
• (I_QCLI, I_CCI)をプロットしてCorrelation–Complexity Mapを用い、IQP適合性レジームを同定する。
• 固定アーキテクチャIQPファミリに対するMMD目的関数下で、より高いI_QCLIが不可約なMMD下限を低減する理論的リンクを提供する。
• 乱流データをIQPモデリング可能にするための浮動小数点→ビット列表現を実装し、時刻ステップ間でコンパクトなIQP回路を再利用する潜在パラメータ適応を導入する。
• order-4 IQP回路と固定アーキテクチャ学習者から生成されたデータセットでQCLI–MMDメカニズムの経験的探索を行い、サポートミスマッチ下での性能を示す。

実験結果

リサーチクエスチョン

• RQ1 QCLIは実世界データセットがIQP型生成子とどれだけ量子適合かを定量化できるか？
• RQ2 CCIはデータの対相関を超える高次依存性の不可約性を効果的に測定できるか？
• RQ3 (I_QCLI, I_CCI)の組み合わせはデータセットをIQP適合性と非適合性の領域に有意に分離できるか？
• RQ4 潜在適応IQPフレームワークは固定コア回路を用いて時系列の乱流データを効率的にモデリングできるか？
• RQ5 データと学習リソースが限られている場合、IQPベースモデルは古典的なベースラインと競合できるか？

主な発見

• Correlation–Complexity MapはIQP適合性と古典的複雑さでデータセットを分離する二軸のランドスケープ(I_QCLI, I_CCI)を提供する。
• 古典的乱流データは高I_QCLI・高CCI領域を占め、古典的複雑さがあってもIQP適合性の可能性を示唆する。
• 可逆な浮動小数点→ビット列表現により、潜在的な小さな潜在ブロックを持つ乱流のIQPベース生成モデリングを実現する。
• 潜在パラメータ適応により、小さな潜在ブロックを用いて未見の時系列乱流スナップショットを生成し、限られたデータで競争力のある性能を達成する。
• RBMおよびDCGANのベースラインと比較して、IQPアプローチは訓練スナップショットが大幅に少なくとも分布的整合性を強く示す。）