[논문 리뷰] Exponential capacity scaling of classical GANs compared to hybrid latent style-based quantum GANs

Milan Liepelt, Julien Baglio|arXiv (Cornell University)|2026. 01. 08.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

본 논문은 오토인코더 기반의 잠재 공간을 이용하여 SAT4 이미지 생성에서 잠재 스타일 하이브리드 양자 GAN(QGAN) 생성기가 기존 대안들에 비해 지수적 용량 확장 이점을 실험적으로 입증한다.

ABSTRACT

Quantum generative modeling is a very active area of research in looking for practical advantage in data analysis. Quantum generative adversarial networks (QGANs) are leading candidates for quantum generative modeling and have been applied to diverse areas, from high-energy physics to image generation. The latent style-based QGAN, relying on a classical variational autoencoder to encode the input data into a latent space and then using a style-based QGAN for data generation has been proven to be efficient for image generation or drug design, hinting at the use of far less trainable parameters than their classical counterpart to achieve comparable performance, however this advantage has never been systematically studied. We present in this work the first comprehensive experimental analysis of this advantage of QGANS applied to SAT4 image generation, obtaining an exponential advantage in capacity scaling for a quantum generator in the hybrid latent style-based QGAN architecture. Careful tuning of the autoencoder is crucial to obtain stable, reliable results. Once this tuning is performed and defining training optimality as when the training is stable and the FID score is low and stable as well, the optimal capacity (or number of trainable parameters) of the classical discriminator scales exponentially with respect to the capacity of the quantum generator, and the same is true for the capacity of the classical generator. This hints toward a type of quantum advantage for quantum generative modeling.

연구 동기 및 목표

• 잠재 공간 하이브리드 QGAN이 더 적은 학습 가능한 매개변수로 고전 GAN을 능가할 수 있는지 동기 부여하고 평가한다.
• 잠재 공간 GAN 프레임워크에서 고전 판별기(디스크리미네이터)와 생성기의 용량 스케일링을 양자 생성기에 대해 체계적으로 비교한다.
• 다양한 모델 용량에 걸쳐 FID와 JSD를 주요 지표로 하여 이미지 생성 품질을 평가한다.
• 세심한 오토인코더 튜닝과 WGAN-GP 목표를 통해 안정적인 학습 체계를 식별한다.
• 양자 생성기가 이점을 제공하는 매개변수 영역에 대한 경험적 지침을 제시한다.

제안 방법

• 이미지를 24차원 잠재 공간으로 매핑하기 위해 고전적 컨볼루션 오토인코더를 사용한다.
• 생성기가 고전적이거나 L개의 층과 12큐비트의 매개변수 양자 회로(PQC)인 잠재 공간 GAN을 구현한다.
• 안정성을 위해 그래디언트 페널티가 있는 Wasserstein GAN(WGAN-GP)과 그래디언트 노름 클리핑으로 학습한다.
• 픽셀 공간과 특징 공간에서 Fréchet Inception Distance(FID)와 Jensen–Shannon Divergence(JSD)로 이미지 품질을 측정한다.
• 최적의 균형 용량을 식별하기 위해 비판자(판별기)와 생성기 용량을 체계적으로 변화시킨다.
• 노이즈 없는 양자 시뮬레이션 생성기를 고전 생성기와 IBM 양자 하드웨어 샘플링과 비교한다.

실험 결과

연구 질문

• RQ1 잠재 공간 하이브리드 QGAN에서 양자 생성기가 고전 생성기에 비해 동일한 FID 점수를 달성하기 위해 학습 가능한 매개변수를 지수적으로 더 적게 필요로 하는가?
• RQ2 안정적인 학습에 필요한 고전 판별기 및 생성기의 용량과 양자 생성기 용량 간의 스케일링 관계는 무엇인가?
• RQ3 오토인코더 튜닝이 (Q)GAN 학습의 안정성 및 품질(FID, JSD)에 어떤 영향을 미치는가?
• RQ4 노이즈 없는 양자 시뮬레이션의 결과가 FID 및 충실도 측면에서 실제 양자 하드웨어 샘플링과 어떻게 비교되는가?
• RQ5 SAT4 이미지 생성을 위한 잠재 스타일 QGAN에서 양자 생성기의 관측 가능한 실용적 이점이 있는가?

주요 결과

• 비판기(판별기)와 고전 생성기가 양자 생성기의 용량에 비해 지수적 용량 확장을 보인다.
• 최적의 비판기 용량일 때, 고전 구성요소는 양자 생성기의 표현력을 따라가기 위해 지수적으로 증가해야 하며, 이는 잠재 스타일 QGAN에서 양자 이점을 시사한다.
• 노이즈 없는 양자 시뮬레이션은 오토인코더 재구성 기준선에 근접한 FID를 달성하며, 여덟 층 실행에서 양자 FID는 평균 약 109.6이다.
• 일부 실행에서 고전 생성기 구성은 AE 기준선에 필적하거나 약간 더 나은 FID를 달성할 수 있지만, 매개변수 수가 크게 증가한다.
• IBM 양자 하드웨어에서 8-layer 양자 생성기의 하드웨어 샘플링은 FID가 약 109–110 범위를 나타내며, 특정 조건에서 근접 시점의 양자 이점을 시사한다.
• 실행 전반에 걸쳐 고전 비판기와 생성기의 용량은 양자 생성기 용량에 따라 지수적으로 확장되며, 제안된 지수적 스케일링 주장을 뒷받침한다.