Strukturált kvantumos generatív modellek klasszikus betanítása
Bakó Bence (2025.03.01-09.30)
Kivonat: A kvantumszámítógépek egyik letöbbet ígérő gépi tanulással kapcsolatos alkalmazása a generatív modellezés, mely bár nagy potenciállal bír, számos kihívással is szembe kell néznie az optimalizáció során. Bizonyos korlátozott és strukturált generatív kvantumos modellek azonban képesek leküzdeni ezeket a betaníthatósági problémákat, miközben lehetővé teszik a lokális várható értékek hatékony klasszikus becslését. Ezek a várható értékek felhasználhatóak a modell betanítására, ezzel megszűntetve a kvantumszámítógép szükségességét az optimalizációs szakaszban. Továbbá léteznek olyan áramköri osztályok, mint például az IQP vagy a matchgate áramkörök, amelyek lehetővé teszik ezt a fajta klasszikus betanítást, miközben a hatékony mintavételezéshez továbbra is elengedhetetlen a kvantumos eszköz használata. Ebben a munkában olyan korlátozott és strukturált generatív kvantumos modelleket vizsgálunk, amelyek fenntartják a klasszikus taníthatóságot, miközben a mintavételezésben kvantumelőnyre tehetnek szert.