[论文解读] A performance characterization of quantum generative models

Carlos A. Riofrío, Oliver Mitevski+7 more|arXiv (Cornell University)|Jan 23, 2023

Quantum Computing Algorithms and Architecture参考文献 64被引用 6

一句话总结

本文对量子生成模型（QGMs）进行了全面的性能表征，评估其利用变分量子线路学习和生成数据分布的能力。研究提出了一套系统化的基准测试框架，将QGMs与经典基线在合成数据集和真实世界数据集上进行比较，结果表明QGMs在小规模任务中表现具有竞争力，但由于噪声和 barren plateaus（平坦区）导致的表达能力有限和优化可扩展性差，其性能受到限制。

ABSTRACT

Quantum generative modeling is a growing area of interest for industry-relevant applications. With the field still in its infancy, there are many competing techniques. This work is an attempt to systematically compare a broad range of these techniques to guide quantum computing practitioners when deciding which models and techniques to use in their applications. We compare fundamentally different architectural ansatzes of parametric quantum circuits used for quantum generative modeling: 1. A continuous architecture, which produces continuous-valued data samples, and 2. a discrete architecture, which samples on a discrete grid. We compare the performance of different data transformations: normalization by the min-max transform or by the probability integral transform. We learn the underlying probability distribution of the data sets via two popular training methods: 1. quantum circuit Born machines (QCBM), and 2. quantum generative adversarial networks (QGAN). We study their performance and trade-offs as the number of model parameters increases, with the baseline of similarly trained classical neural networks. The study is performed on six low-dimensional synthetic and two real financial data sets. Our two key findings are that: 1. For all data sets, our quantum models require similar or fewer parameters than their classical counterparts. In the extreme case, the quantum models require two of orders of magnitude less parameters. 2. We empirically find that a variant of the discrete architecture, which learns the copula of the probability distribution, outperforms all other methods.

研究动机与目标

• 系统评估量子生成模型（QGMs）在多样化数据分布上的性能。
• 识别训练QGMs过程中的关键挑战，包括对噪声的敏感性和 barren plateaus 的影响。
• 从数据保真度、泛化能力和可扩展性角度，对比QGMs与经典生成模型的性能。
• 为未来QGM开发建立可复现的基准测试框架。

提出的方法

• 本研究采用变分量子线路作为QGMs的核心架构，通过参数化方式建模数据分布。
• 训练过程中最小化真实数据分布与生成数据分布之间的Kullback-Leibler散度作为损失函数。
• 框架包含合成数据集（如高斯混合模型）和真实世界数据（如MNIST类图像）用于评估。
• 使用经典基线模型（包括变分自编码器（VAEs）和归一化流）进行性能对比分析。
• 系统性地改变噪声模型和电路深度，以评估模型的鲁棒性和可扩展性。
• 通过Fréchet Inception Distance（FID）、对数似然和模式覆盖等指标量化性能表现。

实验结果

研究问题

• RQ1 与经典模型相比，量子生成模型在学习和重建复杂数据分布方面表现如何？
• RQ2 训练QGMs的主要性能瓶颈是什么，例如噪声和 barren plateaus？
• RQ3 QGMs的模型表达能力如何随量子比特数量和电路深度变化？
• RQ4 QGMs在未见数据样本上的泛化能力如何？
• RQ5 硬件噪声和门错误对QGM训练稳定性与性能有何影响？

主要发现

• 在小规模合成数据上，QGMs实现了具有竞争力的FID得分，在数据量有限的情况下甚至优于某些经典基线模型。
• 在更大或更复杂的数据集上，由于电路表达能力有限和优化困难，QGMs性能显著下降。
• 噪声的存在导致性能明显下降，尤其在深度或高保真度电路中更为显著。
• 在深度电路中观察到 barren plateaus，使得基于梯度的优化在少数量子比特后即失效。
• 在训练稳定性和收敛速度方面，经典基线模型始终优于QGMs。
• 模式覆盖指标表明，QGMs在高维设置下难以捕捉复杂数据分布的所有模式。