Genera­tive QML

Beim generativen Quanten-Maschinellen Lernen (GQML) soll aus gegebenen Datenpunkten ein Modell gelernt werden, das eine unbekannte Wahrscheinlichkeitsverteilung approximiert und daraus realistische, neue Stichproben erzeugen kann. Das Modell ist hierbei ein parametrisierter Quantenschaltkreis. Aktuelle Arbeiten zeigen, dass sich für bestimmte GQML-Modelle ein Quantenvorteil erreichen lässt: Die Stichprobennahme erfordert einen Quantencomputer, während das Training dank spezieller Simulationstechniken vollständig auf klassischen Rechnern durchgeführt werden kann. Die zugrunde liegende Asymmetrie entsteht dadurch, dass für das Training nur lokale Erwartungswerte der Quantenschaltkreise benötigt werden, zum Sampling jedoch die vollständige Interferenzstruktur der Ausgangsverteilung.

In generative quantum machine learning (GQML), a model is trained on given data points to approximate an unknown probability distribution from which realistic new samples can be generated. The model consists of a parameterized quantum circuit. Recent work demonstrates that certain GQML models could achieve a quantum advantage: sampling requires a quantum computer, while training can be performed entirely on classical computers using specialized simulation techniques. The underlying asymmetry arises because training only requires local expectation values of the quantum circuits, whereas sampling demands the complete interference structure of the output distribution.