[論文レビュー] Exponential capacity scaling of classical GANs compared to hybrid latent style-based quantum GANs

Milan Liepelt, Julien Baglio|arXiv (Cornell University)|Jan 8, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

この論文は、SAT4画像生成をオートエンコーダベースの潜在空間で行う潜在スタイルのハイブリッド量子GAN（QGAN）ジェネレーターが、古典的 counterparts に対して指数関数的な容量スケーリングの利点を実験的に示す。

ABSTRACT

Quantum generative modeling is a very active area of research in looking for practical advantage in data analysis. Quantum generative adversarial networks (QGANs) are leading candidates for quantum generative modeling and have been applied to diverse areas, from high-energy physics to image generation. The latent style-based QGAN, relying on a classical variational autoencoder to encode the input data into a latent space and then using a style-based QGAN for data generation has been proven to be efficient for image generation or drug design, hinting at the use of far less trainable parameters than their classical counterpart to achieve comparable performance, however this advantage has never been systematically studied. We present in this work the first comprehensive experimental analysis of this advantage of QGANS applied to SAT4 image generation, obtaining an exponential advantage in capacity scaling for a quantum generator in the hybrid latent style-based QGAN architecture. Careful tuning of the autoencoder is crucial to obtain stable, reliable results. Once this tuning is performed and defining training optimality as when the training is stable and the FID score is low and stable as well, the optimal capacity (or number of trainable parameters) of the classical discriminator scales exponentially with respect to the capacity of the quantum generator, and the same is true for the capacity of the classical generator. This hints toward a type of quantum advantage for quantum generative modeling.

研究の動機と目的

• 潜在空間ハイブリッドQGANが、訓練可能パラメータを少なくして古典的GANを上回ることができるかを動機付け、評価する。
• 潜在空間GANフレームワークにおける古典的識別器とジェネレーターの容量スケーリングを、量子ジェネレーターと対比して系統的に比較する。
• 画像生成品質を、主指標としてFIDとJSDを用い、モデル容量の変化に対して評価する。
• 安定性を確保するため、オートエンコーダの慎重なチューニングとWGAN-GP目的を用いて安定した訓練レジームを特定する。
• 量子ジェネレーターが利点を示すパラメータ領域について実証的な指針を提供する。

提案手法

• 画像を24次元潜在空間に写像する古典的畳み込みオートエンコーダを使用する。
• ジェネレーターが古典的あるいはL層・12量子ビットを持つパラメトリック量子回路（PQC）の潜在空間GANを実装する。
• 訓練は安定性のためWasserstein GAN with gradient penalty（WGAN-GP）と勾配ノルムクリッピングを用いる。
• ピクセル空間と特徴空間のFréchet Inception Distance（FID）とJensen–Shannon Divergence（JSD）で画像品質を測定する。
• 最適なバランス容量を特定するため、識別器（クリティック）とジェネレーターの容量を系統的に変化させる。
• ノイズレスな量子シミュレーションのジェネレーターを古典的ジェネレーターと比較し、IBM量子ハードウェア上でサンプリングを行う。

実験結果

リサーチクエスチョン

• RQ1 潜在空間ハイブリッドQGANの量子ジェネレーターは、比較可能なFIDスコアを達成するために、古典ジェネレーターより指数関数的に少ない訓練可能パラメータで済むのか。
• RQ2 量子ジェネレーターの容量と、安定訓練に必要な古典的識別器とジェネレーターの容量とのスケーリング関係はどうなるのか。
• RQ3 オートエンコーダのチューニングは、(Q)GAN訓練の安定性と品質（FID, JSD）にどのように影響するか。
• RQ4 ノイズレスな量子シミュレーションの結果と実際の量子ハードウェアのサンプリングをFIDと忠実度の観点でどう比較できるか。
• RQ5 SAT4画像生成における潜在スタイルQGANの量子ジェネレーターには実用的な利点があるか。

主な発見

• 識別器と古典的ジェネレーターの容量は、量子ジェネレーター容量に対して指数関数的なスケーリングを示す。
• 最適な識別器容量で、古典部品は量子ジェネレーターの表現力に追随するには指数関数的に成長する必要があり、潜在スタイルのQGANに量子優位性があることを示唆する。
• ノイズレスな量子シミュレーションはオートエンコーダ再構成ベースラインに近いFIDを達成し、8層実行時の量子FIDは平均で約109.6程度だった。
• 古典的ジェネレーターの構成は一部の実行でAEベースラインと同等またはやや良いFIDを達成できるが、はるかに大きなパラメータ数を必要とする。
• IBM量子ハードウェアでの8層量子ジェネレーターのハードウェアサンプリングは約109–110のFIDを示し、一定条件下で現実的な近期の量子優位性が見込まれる。
• 各実験で古典識別器と古典ジェネレーターの容量は量子ジェネレーター容量と指数関数的にスケールし、提案された指数スケーリング仮説を支持する。