[论文解读] 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 0

一句话总结

本论文引入一个具有两个指标 QCLI 和 CCI 的相关性–复杂性映射，用于诊断真实世界数据是否与 IQP 型量子生成模型兼容，并以涡轮（湍流）数据集作为潜在自适应 IQP 发生器的案例研究。

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.

研究动机与目标

• 提供实际可用的指标，用于评估真实世界数据集是否符合 IQP 型生成偏好。
• 开发一个二维的相关性–复杂性映射（QCLI 与 CCI），以按量子兼容性和经典复杂性区分数据集。
• 在涡轮数据集上展示该方法，并展示一个高效的潜在自适应 IQP 发生器。
• 将数据表示从浮点数转换为位串，以实现对连续数据的 IQP 基于生成建模。
• 在与经典生成模型的工作流对比中验证，以论证在定位与 IQP 对齐的领域时的实用指标。

提出的方法

• 将 Quantum Correlation–Likeness Indicator (QCLI) 定义为数据集的 Walsh–Hadamard 顺序谱与 binomial i.i.d. 参考之间的 Jensen–Shannon 散度。
• 将 Classical Correlation–Complexity Indicator (CCI) 计算为 1 减去最优 Chow–Liu 树所捕获的总相关性与总相关性之比。
• 通过绘制 (I_QCLI, I_CCI) 使用相关性–复杂性映射来识别与 IQP 兼容的区域。
• 给出理论联系，表明在固定架构的 IQP 家族下，较高的 I_QCLI 可在 MMD 目标下降低不可约的 MMD 基底。
• 实现浮点到位串的表示以使对涡轮数据的 IQP 建模成为可能，并通过潜在参数自适应在时间步之间重复使用紧凑的 IQP 电路。
• 对来自四阶 IQP 电路和固定架构学习者的数据集进行 QCLI–MMD 机制的实证探测，以展示在支持度不匹配下的性能。

实验结果

研究问题

• RQ1 QCLI 能否量化真实世界数据集与 IQP 型生成器的量子兼容性？
• RQ2 CCI 是否有效衡量数据中超越成对结构的不可约高阶相关性？
• RQ3 (I_QCLI, I_CCI) 的组合是否能将数据集有效地分离为 IQP 兼容与不兼容区域？
• RQ4 潜在自适应 IQP 框架是否能在使用固定核心电路的情况下高效建模时间序列涡轮数据？
• RQ5 当数据和训练资源有限时，基于 IQP 的模型是否仍能与经典基线保持竞争力？

主要发现

• 相关性–复杂性映射给出一个双轴景观 (I_QCLI, I_CCI)，可按量子兼容性与经典复杂性区分数据集。
• 经典涡轮数据位于高 I_QCLI 与高 CCI 的区域，表明尽管具有经典复杂性，但仍具潜在的 IQP 兼容性。
• 一个可逆的浮点到位串表示使对涡轮数据的 IQP 基于生成建模成为可能，且可用一个小的潜在块实现。
• 潜在参数自适应使在时间片上重复使用紧凑的 IQP 电路成为可能，以生成未见过的时间涡轮快照，在数据有限的情况下也能实现有竞争力的性能。
• 与 RBM 和 DCGAN 基线相比，IQP 方法在训练快照显著更少的情况下仍表现出强分布对齐性。