The Born Ultimatum: Conditions for Classical Surrogation of Quantum Generative Models with Correlators
Notice bibliographique
Résumé
Quantum Circuit Born Machines (QCBMs) are powerful quantum generative models that sample according to the Born rule, with complexity-theoretic evidence suggesting potential quantum advantages for generative tasks. Here, we identify QCBMs as a quantum Fourier model independently of the loss function. This allows us to apply known dequantization conditions when the optimal quantum distribution is available. However, realizing this distribution is hindered by trainability issues such as vanishing gradients on quantum hardware. Recent train-classical, deploy-quantum approaches propose training classical surrogates of QCBMs and using quantum devices only for inference. We analyze the limitations of these methods arising from deployment discrepancies between classically trained and quantumly deployed parameters. Using the Fourier decomposition of the Born rule in terms of correlators, we quantify this discrepancy analytically. Approximating the decomposition via distribution truncation and classical surrogation provides concrete examples of such discrepancies, which we demonstrate numerically. We study this effect using tensor-networks and Pauli-propagation-based classical surrogates. Our study examines the use of IQP circuits, matchcircuits, Heisenberg-chain circuits, and Haldane-chain circuits for the QCBM ansatz. In doing so, we derive closed-form expressions for Pauli propagation in IQP circuits and the dynamical Lie algebra of the Haldane chain, which may be of independent interest.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».