Une machine de Born à variation continue.

Résumé La modélisation générative est devenue un cas d'utilisation prometteur pour les ordinateurs quantiques à court terme. En particulier, en raison de la nature fondamentalement probabiliste de la mécanique quantique, les ordinateurs quantiques modélisent et apprennent naturellement des distributions de probabilité, peut-être plus efficacement que ce qui peut être réalisé classiquement. La machine de Born est un exemple d'un tel modèle, facile à mettre en œuvre sur les ordinateurs quantiques à court terme. Cependant, dans sa forme originale, la machine de Born ne représente naturellement que des distributions discrètes. Comme les distributions de probabilité de nature continue sont courantes dans le monde, il est essentiel de disposer d'un modèle capable de les représenter efficacement. Certaines propositions ont été faites dans la littérature pour compléter la machine de Born discrète avec des fonctionnalités supplémentaires afin d'apprendre plus facilement des distributions continues, cependant, toutes augmentent invariablement les ressources nécessaires dans une certaine mesure. Dans ce travail, nous présentons la machine de Born à variables continues, construite sur l'architecture alternative de l'informatique quantique à variables continues, qui est beaucoup plus appropriée pour modéliser de telles distributions de façon à minimiser les ressources. Nous fournissons des résultats numériques indiquant la capacité du modèle à apprendre des distributions continues tant quantiques que classiques, y compris en présence de bruit.