Исследователи проанализировали ограничения квантовых генеративных моделей на современном оборудовании, где глубина схем и локальность связей жестко лимитированы. Работа доказывает, что внедрение классической случайности в унитарные квантовые модели (Born models) позволяет значительно расширить их выразительную способность и улучшить качество генерации данных, преодолевая барьеры, характерные для стандартных архитектур малой глубины.
Текущие квантовые процессоры сталкиваются с проблемой «узкого горлышка»: ограниченное количество операций, которые можно выполнить до потери когерентности, не позволяет эффективно моделировать сложные распределения вероятностей. Авторы работы предлагают переход от чисто унитарных моделей к моделям каналов (channel models), использующим общую классическую случайность. Такой подход позволяет моделировать более широкий класс распределений, не требуя увеличения глубины квантовой цепи.
Математический анализ показывает, что даже при минимальной глубине схем добавление стохастических элементов позволяет достичь результатов, недоступных для классических унитарных моделей. Это открывает путь к более эффективному использованию квантовых вычислителей в задачах генеративного моделирования, где точность аппроксимации распределений данных является критическим фактором для обучения нейронных сетей и других алгоритмов.
Ключевые факты
- Исследование сфокусировано на преодолении ограничений глубины схем в квантовых генеративных моделях (Born models).
- Предложен метод использования общей классической случайности для трансформации унитарных моделей в модели каналов.
- Доказано, что стохастические квантовые каналы обладают большей выразительной мощностью при одинаковой глубине цепи.
- Результаты работы актуальны для текущего поколения квантового оборудования (NISQ), имеющего жесткие ограничения по связности и глубине операций.