arXiv cs.AI· Marco Parigi, Stefano Martina, Francesco Aldo Venturelli, Filippo Caruso·· 6 天前AI 评分22
基于真实硬件噪声量子扩散的物理启发生成式 AI 模型
Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion
AI 导读
研究者提出并实现两种物理启发的量子扩散模型协议，用于生成式 AI。第一种利用量子随机游走形式，在前向过程中让量子与经典动力学特定交互，生成 MNIST 图像时 FID 低于纯经典动力学；第二种仅用 4 个 qubit 的 IBM 真实量子硬件，利用其固有噪声生成图像，将量子噪声作为资源而非加以缓解或纠正。
正文 · AI 翻译
标题：通过真实硬件噪声量子扩散实现的物理启发式生成式 AI 模型
摘要：量子扩散模型（QDMs）是生成式 AI 中一种新兴范式，旨在利用量子特性来提升其经典对应模型的性能。然而，由于近期量子设备的局限性，现有算法难以扩展。在我们此前关于 QDMs 的工作基础上，本文提出并实现了两种受物理启发的协议。在第一种协议中，我们使用量子随机行走的形式体系，表明前向过程中量子动力学与经典动力学的特定相互作用会产生统计上更稳健的模型，其生成的 MNIST 图像集相比使用完全经典动力学具有更低的 Fréchet Inception Distance（FID）。在第二种方法中，我们实现了一种算法，仅利用四个量子比特，通过利用真实 IBM 量子硬件的固有噪声来生成图像。我们的工作可能是一个起点，为量子生成式 AI 中大规模算法的新场景铺平道路，其中量子噪声既不被缓解也不被校正，而是被作为一种有用资源加以利用。
| 评论： | 20 页，13 幅图 |
| 主题： | 量子物理（quant-ph）；无序系统与神经网络（cond-mat.dis-nn）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| MSC 分类： | 81P68, 81P40, 81P47, 68Q12, 68T07, |
| ACM 分类： | I.2.6; I.3.3; J.2 |
| 引用为： | arXiv:2505.22193 [quant-ph] |
| （或 arXiv:2505.22193v2 [quant-ph] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2505.22193 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Parigi, M., Martina, S., Venturelli, F.A. et al. Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion. Quantum Mach. Intell. 8, 110 (2026) |
| 相关 DOI： | https://doi.org/10.1007/s42484-026-00459-5
链接到相关资源的 DOI |
提交历史
来自：Stefano Martina 博士 [查看电子邮件]
[v1]
2025 年 5 月 28 日星期三 10:11:48 UTC（4,347 KB）
[v2]
2026 年 10 月 9 日星期五 12:41:30 UTC（3,242 KB）
来源：arXiv cs.AI · arxiv.org