[논문 리뷰] Variational Quantum Circuits Enhanced Generative Adversarial Network

Runqiu Shu, Xusheng Xu외 2명|arXiv (Cornell University)|2024. 02. 02.

Neural Networks and Reservoir Computing인용 수 4

한 줄 요약

이 논문은 변이 양자 회로를 고전적 GAN의 생성기 내에 통합하여 이미지 생성을 향상시키는 하이브리드 양자-고전적 생성 적대 신경망인 QC-GAN을 제안한다. 양자 얽힘과 표현력을 활용함으로써, 고전적 GAN보다 훨씬 적은 학습 파rameter와 반복 횟수로도 우수한 Frechet Inception Distance 점수를 달성하며, pathGAN과 같은 다른 QGAN보다 더 높은 해상도의 이미지, 예를 들어 28×28 손글씨 숫자를 더 잘 생성한다.

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.

연구 동기 및 목표

• 이미지 생성에서 대규모 고전적 GAN의 높은 계산 비용과 학습 불안정성 문제를 해결하기 위해.
• NISQ 시대 제약 조건 하에서 고전적 기계 학습 프레임워크에 양자적 이점을 통합하는 것을 탐색하기 위해.
• 하이브리드 양자-고전적 아키텍처를 사용하여 이미지 생성 품질과 효율성을 향상시키기 위해.
• pathGAN과 같은 기존의 양자 GAN보다 양자 강화 생성기의 우수성을 높은 해상도의 이미지 생성에서 입증하기 위해.

제안 방법

• QC-GAN의 생성기는 복잡한 데이터 분포를 모델링하기 위해 변이 양자 회로와 단일 층의 고전적 신경망을 조합한다.
• 판별기는 실제 이미지와 생성된 이미지를 구분하는 표준 고전적 신경망이다.
• 양자 회로는 기저에 따라 미분 가능한 양자 기계 학습을 통해 파arameter-shift 규칙을 사용하여 학습되며, 기울기 기반 최적화를 가능하게 한다.
• 모델은 생성기가 실제와 가짜 샘플을 구분할 수 있는 판별기의 능력을 최소화하도록 적대적 손실을 사용하여 엔드 투 엔드로 학습된다.
• 실험은 MNIST 데이터셋을 사용하여 28×28 손글씨 숫자 생성을 위해 MindSpore Quantum에서 수행되었다.
• 평가 기준으로는 Frechet Inception Distance (FID)와 학습 수렴 속도를 사용하여 고전적 GAN과 pathGAN과 아키텍처를 비교하였다.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전적 생성기가 고전적 GAN보다 이미지 생성 성능을 향상시킬 수 있는가?
• RQ2 제한된 양자 자원 조건 하에서 QC-GAN이 높은 해상도의 이미지(예: 28×28) 생성에 어떻게 성능을 내는가?
• RQ3 변이 양자 회로를 통합함으로써 필요한 학습 파rameter와 반복 횟수를 줄일 수 있는가?
• RQ4 이미지 품질과 확장성 측면에서 QC-GAN은 pathGAN과 같은 다른 QGAN 아키텍처와 비교해 어떻게 성능을 내는가?

주요 결과

• QC-GAN은 고전적 GAN보다 더 낮은 Frechet Inception Distance (FID) 점수를 달성하여, 더 적은 파rameter와 더 빠른 수렴 속도로 더 높은 품질의 이미지 생성을 가능하게 한다.
• 모델은 오직 5 큐비트만으로도 명확한 28×28 손글씨 숫자를 성공적으로 생성하여 매우 적은 양자 자원으로도 확장 가능함을 보여준다.
• pathGAN이 16개의 하위 생성기를 필요로 하며 이미지 품질이 떨어지는 반면, QC-GAN은 16×16 이미지를 더 잘 생성한다.
• 학습 손실 곡선은 초기 불안정성 후 평형 상태로 수렴하는 전형적인 GAN의 적대적 역학을 보이며, 하이퍼파ram터 튜닝을 통해 안정화되었다.
• 양자적 이점에도 불구하고, 양자 회로의 선형성으로 인해 생성 샘플의 다양성이 제한되어 있다.
• 현재의 양자 coherence, 측정 정확도 및 높은 자원 비용 등의 제약으로 인해 하드웨어 구현이 어려운 상황이다.