[논문 리뷰] Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation

S. Tsang, Maxwell T. West외 2명|arXiv (Cornell University)|2022. 12. 22.

Computational Physics and Python Applications참고 문헌 50인용 수 5

한 줄 요약

이 논문은 NISQ 시대의 양자 하드웨어에서 효율적으로 학습할 수 있도록, 패치 기반 양자 생성자와 함께 작동하는 하이브리드 양자-고전적 생성 적대 신경망(PQWGAN)을 제안한다. 이는 차원 축소 없이 고해상도 28×28 회색조 이미지를 생성하며, 훈련 가능한 파rameter 수가 고전적 GANs의 약 세 배수 감소한 수준에서도 성능을 유사하게 달성한다. 이 프레임워크는 기울기 보정이 적용된 워셔스타인 GAN(WGAN-GP)을 활용하고, 이미지 패치를 생성하기 위해 양자 회로를 사용하며, 이를 조합함으로써 고전적 생성자와 유사한 성능을 달성한다.

ABSTRACT

Quantum machine learning (QML) has received increasing attention due to its potential to outperform classical machine learning methods in problems pertaining classification and identification tasks. A subclass of QML methods is quantum generative adversarial networks (QGANs) which have been studied as a quantum counterpart of classical GANs widely used in image manipulation and generation tasks. The existing work on QGANs is still limited to small-scale proof-of-concept examples based on images with significant downscaling. Here we integrate classical and quantum techniques to propose a new hybrid quantum-classical GAN framework. We demonstrate its superior learning capabilities by generating $28 imes 28$ pixels grey-scale images without dimensionality reduction or classical pre/post-processing on multiple classes of the standard MNIST and Fashion MNIST datasets, which achieves comparable results to classical frameworks with three orders of magnitude less trainable generator parameters. To gain further insight into the working of our hybrid approach, we systematically explore the impact of its parameter space by varying the number of qubits, the size of image patches, the number of layers in the generator, the shape of the patches and the choice of prior distribution. Our results show that increasing the quantum generator size generally improves the learning capability of the network. The developed framework provides a foundation for future design of QGANs with optimal parameter set tailored for complex image generation tasks.

연구 동기 및 목표

• 근접한 양자 하드웨어에서 고해상도 이미지 생성을 가능하게 하여 고전적 GAN과 양자 GAN 간 격차를 메우는 것.
• 기존 QGAN이 차원 축소나 저해상도 데이터셋에 의존하는 한계를 극복하는 것.
• 양자 생성자 하이퍼파rameter가 이미지 생성 품질과 훈련 안정성에 미치는 영향을 조사하는 것.
• 양자 생성자가 고전적 모델에 비해 훨씬 적은 파rameter 수로도 경쟁 가능한 성능을 달성할 수 있음을 보여주는 것.

제안 방법

• 이 프레임워크는 각 이미지 패치를 별도의 파arameterized 양자 회로(PQC)로 생성하는 패치 기반 전략을 사용한다.
• 양자 생성자는 잠재 벡터를 RY 회전을 통해 양자 상태로 인코딩하고, 큐비트를 측정하여 이미지 패치를 생성한다.
• 생성된 패치는 조합되어 전체 이미지를 형성하며, 이는 고전적 비평가 네트워크에 의해 평가된다.
• 비평가 네트워크는 기울기 보정이 적용된 워셔스타인 거리(WGAN-GP)를 사용하여 안정적인 훈련 신호를 제공한다.
• PyTorch와 PennyLane을 활용하여 하이브리드 양자-고전적 계산을 수행하며, Adam을 사용한 확률적 최적화를 통해 생성자와 비평가를 함께 훈련시킨다.
• 이 방법은 고전적 사전/후처리 또는 차원 축소를 피함으로써 이미지 해상도와 정확성을 유지한다.

실험 결과

연구 질문

• RQ1 차원 축소 없이 양자 생성자가 고해상도 이미지를 생성할 때 고전적 GAN과의 성능 비교는 어떻게 되는가?
• RQ2 큐비트 수, 패치 크기, 회로 깊이와 같은 양자 생성자 파rameter의 변화가 이미지 품질과 훈련 안정성에 미치는 영향는 어떠한가?
• RQ3 하이브리드 양자-고전적 GAN이 고전적 모델에 비해 훨씬 적은 훈련 가능한 파rameter를 사용하면서도 경쟁 가능한 FID 점수를 달성할 수 있는가?
• RQ4 양자 GAN 프레임워크에서 사전 분포 선택이 생성된 이미지의 품질과 다양성에 미치는 영향은 어떠한가?
• RQ5 양자 생성자의 크기를 늘릴수록 학습 능력과 생성 품질이 일관되게 향상되는가?

주요 결과

• PQWGAN 프레임워크는 차원 축소나 고전적 전처리 없이 MNIST 및 Fashion-MNIST 데이터셋의 28×28 회색조 이미지를 성공적으로 생성하였다.
• 생성자에서 훈련 가능한 파rameter 수가 약 1,000배 감소한 수준에서도 고전적 GAN과 유사한 FID 점수를 달성하였다.
• 양자 생성자 내 큐비트 수를 늘일수록 이미지 품질과 훈련 안정성이 일관되게 향상되었다.
• 사전 분포 선택(예: 균일 분포 대비 정규 분포)이 생성 샘플의 다양성과 정확성에 상당한 영향을 미쳤다.
• 패치 기반 아키텍처는 여러 개의 더 작은 회로로 양자 회로 부담을 분산시켜 확장 가능한 양자 이미지 생성을 가능하게 하였다.
• 체계적인 하이퍼파rameter 분석 결과, 더 큰 생성자 회로와 최적의 패치 형태가 뛰어난 생성 성능을 낳았다.