研究提出利用量子测量噪声降低扩散模型采样开销

Tianhao Guo 等研究者提出一种利用量子测量噪声替代扩散模型部分采样噪声的方法，通过匹配均值与协方差，设计自适应测量次数（shot）预算，以减少量子神经网络的测量开销。 在八维高斯混合实验中，该方法每个样本仅需 303 shots，即达到与 160 万 shots 高采样参考相当的生成质量，采样量减少约 5300 倍。研究还通过 MNIST 潜空间扩散实验验证了该机制在学习潜空间生成任务中的可行性。上述结果属于论文实验验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。