[論文レビュー] QuGAN: A Generative Adversarial Network Through Quantum States

Samuel A. Stein, Betis Baheri+6 more|arXiv (Cornell University)|Oct 18, 2020

Computational Physics and Python Applications参考文献 41被引用数 24

ひとこと要約

QuGAN は、量子状態の重ね合わせ度とスワップテストを用いて損失関数を計算する量子生成対抗ネットワークを提案する。これにより、古典的 GAN よりも 94.98% 少ないパラメータで安定した学習が可能となり、最先端の量子 GAN より 48.33% の性能向上を達成するとともに、分布類似度誤差は 0.5% 未満を維持する。

ABSTRACT

Tremendous progress has been witnessed in artificial intelligence, where neural network backed deep learning systems have been used, with applications in almost every domain. As a representative deep learning framework, Generative Adversarial Network (GAN) has been widely used for generating artificial images, text-to-image or image augmentation across areas of science, arts and video games. However, GANs are computationally expensive, sometimes computationally prohibitive. Furthermore, training GANs may suffer from convergence failure and modal collapse. Aiming at the acceleration of use cases for practical quantum computers, we propose QuGAN, a quantum GAN architecture that provides stable convergence, quantum-states based gradients and significantly reduced parameter sets. The QuGANarchitecture runs both the discriminator and the generator purely on quantum state fidelity and utilizes the swap test on qubits to calculate the values of quantum-based loss functions. Built on quantum layers, QuGAN achieves similar performance with a 94.98% reduction on the parameter set when compared to classical GANs. With the same number of parameters, addition-ally, QuGAN outperforms state-of-the-art quantum based GANsin the literature providing a 48.33% improvement in system performance compared to others attaining less than 0.5% in terms of similarity between generated distributions and original data sets.

研究の動機と目的

• 古典的 GAN の計算コストの高さと学習の不安定さ、特に収束不能やモード崩壊の問題を解決すること。
• 量子計算にネイティブな GAN アーキテクチャを設計することで、実用的量子計算の活用を加速すること。
• パラメータの数を削減しながらも、性能を維持または向上させること。
• 量子状態の性質と量子操作を活用して、生成モデルの学習をより効率的かつ安定させる。
• 量子ベースの最適化を用いて、実データ分布から最小限の分布的乖離で高品質な生成データを達成すること。

提案手法

• 生成器と判別器の両者において、主に量子状態を表現手段として用い、古典的ニューラルネットワークを置き換える。
• 判別器は、入力された状態間の量子状態の重ね合わせ度を計算することで、実データと生成データを評価する。
• スワップテストをキュービットに適用し、重ね合わせ度を推定し、量子ベースの損失関数を計算する。
• 量子レイヤーを用いて生成器と判別器を構築することで、パラメータ効率の高い学習を可能にする。
• 古典的バックプロパゲーションを回避するため、量子状態操作から直接勾配を計算する。
• 量子状態の時間発展と測定に基づく最適化を用いて、損失を最小化する形でアーキテクチャを学習する。

実験結果

リサーチクエスチョン

• RQ1 完全に量子状態操作に依存する GAN アーキテクチャは、収束不能を伴わずに安定した学習を達成できるか？
• RQ2 量子状態の重ね合わせ度とスワップテストは、GANS における古典的損失関数をどの程度代替できるか？
• RQ3 QuGAN のパラメータ効率は、古典的 GAN や既存の量子 GAN と比べてどの程度か？
• RQ4 QuGAN は、実データ分布に近い分布の生成を可能にするか、分布的乖離を最小限に抑えるか？
• RQ5 同等のパラメータ制約下で、QuGAN は最先端の量子 GAN よりもどの程度の性能向上を達成するか？

主な発見

• QuGAN は、古典的 GAN と比較して、トレーニング可能なパラメータ数を 94.98% 削減し、パラメータ効率を顕著に向上させた。
• 同じパラメータ数の条件下で、QuGAN は既存の量子 GAN より 48.33% のシステム性能向上を達成した。
• 生成データ分布と実データ分布の間の類似度誤差は 0.5% 未満に抑えられた。
• 量子状態の重ね合わせ度とスワップテストの活用により、一般的な GAN の失敗モード（収束不能、モード崩壊など）を回避する安定した学習が可能になった。
• 量子ベースの勾配と損失計算により、古典的バックプロパゲーションに比べて最適化がより効率的になった。
• このアーキテクチャは、実用的量子計算応用への高いスケーラビリティの可能性を示している。