arXiv:2609.28391v1 quant-ph

양자 스코어 매칭과 열적 상태 학습에의 응용

Quantum score matching with applications to learning thermal states

Yulong Dong, Jiaqi Leng

제출 2026-09-24

한국어 초록

스코어 매칭(score matching)은 계산이 불가능한 정규화(normalization) 상수, 즉 분배 함수(partition function)를 평가하지 않고도 데이터로부터 모델을 학습할 수 있게 함으로써 고전 생성 학습 분야에서 큰 진전을 이끌어 왔다. 그러나 양자 상태는 스칼라 확률이 아니라 비가환(noncommuting) 밀도 연산자로 기술되므로, 이 원리를 양자 학습으로 확장하려면 그 토대를 다시 생각해야 한다. 비가환성은 양자 스코어를 정의하는 데에서뿐만 아니라, 효율적인 회로 구현과 엄밀한 이론적 보장을 갖춘 학습(training) 프레임워크를 개발하는 데에서도 근본적인 어려움을 야기한다. 본 연구에서는 종단 간(end-to-end) 이론적 보장을 갖춘 일반적인 양자 스코어 매칭 프레임워크를 정립하여 이러한 간극을 메운다. 깁스 상태(Gibbs-state) 학습에 적용했을 때, 제안한 접근법은 추가적인 열적 상태(thermal-state) 준비를 필요로 하지 않으며, 국소성(locality)과 상호작용 차수(interaction degree)가 유계인 해밀토니안에 대해 고온 영역에서 정보이론적으로 최적인 샘플 복잡도를 달성한다. 이는 스코어 매칭을 양자 깁스 상태 학습에서 최고 수준의 성능을 얻는 새로운 경로로 자리매김하게 한다. 이러한 이론적 결과에 더하여, 수치 시뮬레이션 결과 제한된 측정 예산 하에서 그래디언트가 부정확하게 추정되더라도 제안한 방법이 여전히 효과적임을 보인다. 또한 IBM 양자 하드웨어에서의 실험은 양자 스코어 매칭이 NISQ 친화적임을 추가로 보여 준다. 즉, 어떠한 오류 완화나 정정 없이도 해밀토니안 매개변수(parameter)의 상대 오차를 64%에서 약 10%로 줄인다. 이러한 결과를 종합하면, 스코어 매칭을 양자 상태 학습을 위한 실험적으로 구현 가능한 패러다임으로 확장한 것이다.

원문 초록

Score matching has driven major advances in classical generative learning by enabling models to learn from data without evaluating intractable normalization constants, or partition functions. Yet, extending this principle to quantum learning requires rethinking its foundations, as quantum states are described by noncommuting density operators rather than scalar probabilities. The noncommutativity creates fundamental challenges not only in defining quantum scores, but also in developing a training framework with efficient circuit implementations and rigorous theoretical guarantees. In this work, we bridge this gap by establishing a general quantum score-matching framework with end-to-end theoretical guarantees. Applied to Gibbs-state learning, our approach avoids additional thermal-state preparation and achieves information-theoretically optimal sample complexity in the high-temperature regime for Hamiltonians with bounded locality and interaction degree. This positions score matching as a new route to state-of-the-art performance in learning quantum Gibbs states. Beyond these theoretical results, numerical simulations show that our method remains effective even when gradients are estimated inaccurately under limited measurement budgets. Experiments on IBM quantum hardware further demonstrate that quantum score matching is NISQ-friendly: without any error mitigation or correction, it reduces the relative Hamiltonian-parameter error from 64% to approximately 10%. Together, these results extend score matching into an experimentally realizable paradigm for quantum-state learning.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.28391v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.11521v2cs.LG공통 태그 Density Estimation, parameter estimation, score matching

볼록 영역에서의 일반화된 점수 매칭

Generalised Score Matching on Convex Domains

점수 매칭(score matching)은 최대가능도 추정(maximum-likelihood estimation)에서 요구하는 정규화 상수 계산을 회피합니다. 제약이 있는 영역(constrained domains)에서는 일반화된 점수 매칭 변형들이 경계 조건 항이 사라지도록 피셔 발산(Fisher divergence)에 가중치를 부여합니다. 본 연구에서는 이웃 영역의 기하학적 구조가 가중치를 결정하는 최소 확률 흐름(minimum probability flow)의 작은 이웃 극한(small-neighbourhood limit)으로서 $\mathbb{R}^{d}$의 열린 볼록 부분집합(open convex subsets)에 대한 일반화된 점수 매칭을 유도합니다. $\mathbb{R}^{d}$에서의 고전적 점수 매칭 및 $\mathbb{R}_{+}^{d}$의 음이 아닌 데이터에 대한 변형들의 가중치를 포함하여, 모든 $C^{2}$ 양의 정부호(positive definite) 가중치가 이러한 방식으로 발생합니다. 지수족(exponential families)에 대해, 우리는 표준적인 볼록성(convexity), 일치성(consistency) 및 점근적 정규성(asymptotic normality) 결과를 이러한 모든 가중치로 확장하고, 특정 경계 조건 하에서 추정량이 참 매개변수로 수렴함을 보여줍니다. 다포체(polytope) 상의 절단 정규분포(truncated Gaussian)와 심플렉스(simplex) 상의 디리클레 분포(Dirichlet distribution)에 대해, 제안된 추정량들은 50개의 실측(ground-truth) 설정 중 최소 42개에서 비교된 모든 방법 중 가장 낮은 중앙값 오차를 달성합니다.

arXiv:2609.26705v2quant-ph공통 태그 Density Estimation, parameter estimation

보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가?

When are bosonic Gaussian states classical to learn?

물리학의 근본적인 질문 중 하나는 양자계에서 고전적 거동이 언제 나타나는가이다. 보손 가우시안 상태(bosonic Gaussian state)는 빛의 고전적 장(field) 거동과 본질적인 양자적 성질을 모두 포착하므로, 이러한 양자-고전 경계를 탐구하기에 자연스러운 환경을 제공한다. 본 연구에서는 학습 이론의 관점에서 이 문제를 다루며 다음과 같이 묻는다. 보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가? 즉, n-모드 보손 가우시안 상태를 고전적인 2n변량 가우시안 분포를 학습할 때 필요한 만큼 적은 샘플과 그만큼 단순한 연산으로 학습할 수 있는 조건은 (있다면) 무엇인가? 우리는 상태의 열적 요동(thermal fluctuation)에 의해 결정되는 학습 가능성의 매끄러운 크로스오버를 규명한다. - 차가운 가우시안 상태는 학습 측면에서 비고전적이다. 공분산 행렬이 $\Sigma\le(\frac12+O(\frac1n))I$를 만족하여 진공 공분산에 가까운 경우, 단일 복사본(single-copy, 즉 얽힘이 없는) 측정 하의 토모그래피(tomography)는 근본적으로 $\Omega(n^3)$개의 복사본을 필요로 하며, 이는 고전적 가우시안 분포를 학습하는 샘플 복잡도 $\Theta(n^2)$를 엄밀하게 초과한다. 우리는 소수 복사본에 대한 얽힘 측정이 허용되더라도 이러한 어려움이 지속됨을 보인다. - 따뜻한 가우시안 상태는 학습 측면에서 고전적이다. 열적 요동이 진공 잡음을 초과하여 임의의 매개변수 $\nu>0$에 대해 $\Sigma\ge(\frac12+\nu)I$로 나타내지는 경우, 단일 복사본 토모그래피에는 $N=\Theta\left(n^2\min(n,1+\nu^{-1})\right)$개의 복사본이 필요함을 증명한다. 이 한계는 타이트(tight)하며, 단순하고 비적응적(non-adaptive)이며 얽힘이 없는 헤테로다인(heterodyne) 측정으로 달성된다. 특히 $\nu=\Omega(1)$인 경우 샘플 복잡도는 $\Theta(n^2)$로 줄어들어 고전적인 경우와 일치한다. 우리의 결과는 보손 가우시안 상태의 학습 가능성에서 나타나는 양자-고전 크로스오버를 엄밀하게 규명하고, 근본 물리학과 통계적 학습 이론 사이의 새로운 연결고리를 드러내며, 실제 센싱 실험에도 시사점을 가진다.

arXiv:2609.27546v1math.ST공통 태그 Density Estimation, parameter estimation

분포 변화 하에서 확산 모델의 강건성

Robustness of Diffusion Models under Distribution Shift

스코어 기반 확산 모델(score-based diffusion models)은 기저 데이터 분포가 학습(training) 분포와 다를 수 있는 환경에서 점차 많이 고려되고 있으나, 기존의 이론적 보장은 주로 분포 변화가 없는 환경에 초점을 맞추고 있습니다. 본 연구에서는 기준 분포의 바서슈타인 섭동(Wasserstein perturbations) 하에서 강건한 스코어 추정을 연구합니다. 오룬슈타인-울렌벡(Ornstein-Uhlenbeck) 확산에 대해, 강건한 추정이 두 가지 핵심 요소, 즉 기준 분포를 학습하는 데 따르는 통계적 비용과 분포 변화 자체의 본질적 비용으로 분해됨을 보입니다. 후자는 바서슈타인 반경에 대해 2차(quadratically)로 스케일링되며, 이러한 의존성은 미니맥스 최적(minimax optimal)입니다. 우리는 변화 반경을 알지 못하더라도 도출된 강건한 미니맥스 속도를 달성하는 명시적인 유한 표본 추정기를 구성합니다. 기준 분포가 미지의 저차원 부분공간에 놓여 있을 때, 통계적 항은 본질적 차원에 적응하는 반면 변화 비용은 변하지 않은 채 유지됩니다. 마지막으로, 우리는 동일한 분해가 양의 시간 역방향 샘플링(positive-time reverse sampling)에도 적용됨을 보이고 KL 발산에서 일치하는 미니맥스 보장을 도출합니다. 종합적으로, 이러한 결과들은 유한한 데이터, 본질적 차원, 그리고 분포 변화가 스코어 기반 확산 모델의 강건성에 미치는 영향을 규명합니다.

arXiv:2609.28371v1stat.ML공통 태그 Density Estimation, parameter estimation

일반화된 랑주뱅 역학을 위한 메모리 조건부 확산 모델

Memory-Conditioned Diffusion Model for Generalized Langevin Dynamics

일반화된 랑주뱅 방정식(Generalized Langevin equation)은 분해된 변수(resolved variable)의 진화가 과거에 의존하는 비마르코프 역학(non-Markovian dynamics)을 설명합니다. 본 연구에서는 메모리 커널(memory kernel)을 식별하거나 미분해 변수(unresolved variable)를 재구성하지 않고도, 관측된 궤적으로부터 이러한 역학의 확률적 흐름 맵(stochastic flow map)을 학습하기 위한 메모리 조건부 확산 기법을 제안합니다. 컴팩트하고 재귀적으로 업데이트되는 지수 필터 뱅크(bank of exponential filters)를 통해 흐름 맵은 긴 관측 윈도우에 조건을 부여하지 않고도 여러 시간 척도에 걸쳐 예측 이력을 유지할 수 있습니다. 다음 단계 분포는 현재 관측값과 이 메모리 상태를 조건으로 하며, 고정된 뱅크 크기에서 메모리 상태의 저장 및 업데이트 비용은 이력 길이와 무관합니다. 예측 기준을 통해 메모리 예산을 결정하고 벡터 벤치마크에서는 참조 지원 선택을 활용하며, 선택적 선형 투영을 통해 조건부 차원을 더욱 축소합니다. 커널 기반 스코어 추정기는 스코어 네트워크를 학습(training)시키지 않고도 조건부 샘플을 생성하며, 이 샘플들은 자기회귀 시뮬레이션을 위한 신경 흐름 맵을 학습하는 데 사용됩니다. 세 가지 수치 예제를 통해 작은 조건부 차원에서의 긴 메모리 유지력, 결합된 벡터 역학에서의 예측 압축, 비가우스 조건부 분포 및 간헐적 이벤트를 평가(evaluation)합니다. 비가우스 예제는 플라스마 스크레이프-오프 층(plasma scrape-off layer)의 확률적 모델에서 조건부 비대칭성과 버스트 통계를 재현합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.