[論文レビュー] Variational Quantum Circuits Enhanced Generative Adversarial Network

Runqiu Shu, Xusheng Xu+2 more|arXiv (Cornell University)|Feb 2, 2024

Neural Networks and Reservoir Computing被引用数 4

ひとこと要約

本稿では、古典的GANの生成器に変分量子回路を統合することで、画像生成を向上させるハイブリッド量子古典GAN、QC-GANを提案する。量子もつれと表現力を利用することで、QC-GANは、古典的GANよりもはるかに少ない学習パラメータ数と反復回数で優れたFrechet Inception Distance（FID）スコアを達成し、他のQGAN（例：pathGAN）よりも高解像度の画像、例えば28×28の手書き数字を生成する点で優れている。

ABSTRACT

Generative adversarial network (GAN) is one of the widely-adopted machine-learning frameworks for a wide range of applications such as generating high-quality images, video, and audio contents. However, training a GAN could become computationally expensive for large neural networks. In this work, we propose a hybrid quantum-classical architecture for improving GAN (denoted as QC-GAN). The performance was examed numerically by benchmarking with a classical GAN using MindSpore Quantum on the task of hand-written image generation. The generator of the QC-GAN consists of a quantum variational circuit together with a one-layer neural network, and the discriminator consists of a traditional neural network. Leveraging the entangling and expressive power of quantum circuits, our hybrid architecture achieved better performance (Frechet Inception Distance) than the classical GAN, with much fewer training parameters and number of iterations for convergence. We have also demonstrated the superiority of QC-GAN over an alternative quantum GAN, namely pathGAN, which could hardly generate 16$ imes$16 or larger images. This work demonstrates the value of combining ideas from quantum computing with machine learning for both areas of Quantum-for-AI and AI-for-Quantum.

研究の動機と目的

• 大規模な古典的GANにおける高い計算コストと学習の不安定性を解決すること。
• NISQ時代の制約下で、量子の利点を古典的機械学習フレームワークに統合することを検討すること。
• ハイブリッド量子古典アーキテクチャを用いて、画像生成の品質と効率を向上させること。
• pathGANのような既存の量子GANと比較して、量子強化型生成器が高解像度画像生成において優れていることを示すこと。

提案手法

• QC-GANの生成器は、複雑なデータ分布をモデル化するために、変分量子回路と1層の古典的ニューラルネットワークを組み合わせる。
• 識別器は、実画像と生成画像を区別する標準的な古典的ニューラルネットワークである。
• 量子回路は、微分可能な量子機械学習を介してパラメータシフト則を用いて訓練され、勾配ベースの最適化が可能になる。
• モデルは敵対的損失を用いてエンドツーエンドで訓練され、生成器は識別器が実画像と偽物の画像を区別できないように最小化する。
• 実験は、MNISTデータセットを用いてMindSpore Quantum上で28×28の手書き数字生成のために実施された。
• アーキテクチャは古典的GANとpathGANと比較され、評価はFrechet Inception Distance（FID）と学習収束速度に基づいて行われた。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典生成器は、古典的GANと比較して画像生成性能を向上させることができるか？
• RQ2 限定的な量子リソース下で、QC-GANは高解像度画像（例：28×28）を生成する際にどのように動作するか？
• RQ3 変分量子回路の統合により、必要な学習パラメータ数と反復回数が削減されるか？
• RQ4 画像品質とスケーラビリティの観点から、pathGANのような他のQGANアーキテクチャと比較してQC-GANはどのように異なるか？

主な発見

• QC-GANは、パラメータ数が少なく、収束が速いため、古典的GANよりも優れたFrechet Inception Distance（FID）スコアを達成しており、より高品質な画像生成を示している。
• 本モデルは5量子ビットのみで明確な28×28の手書き数字を生成できており、最小限の量子リソースでスケーラブルであることを示している。
• pathGANは16個のサブ生成器を必要としており、画像品質が劣化するのに対し、QC-GANは16×16画像の生成においてpathGANを上回っている。
• 学習損失曲線は、初期の不安定性を示した後、均衡に収束するGANの典型的な敵対的ダイナミクスを示しており、ハイパーパramータチューニングによって安定化された。
• 量子の利点にもかかわらず、量子回路の線形性のため、生成サンプルの多様性に制限がある。
• 量子コherー、測定精度、および高コストなリソースの制限により、実装は依然として困難である。