[论文解读] Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer

Manuel S. Rudolph, Ntwali Bashige Toussaint+4 more|arXiv (Cornell University)|Dec 7, 2020

Computational Physics and Python Applications被引用 10

一句话总结

本文首次在离子阱量子计算机上实现了混合量子-经典生成模型的实验性应用，用于生成高分辨率手写数字。通过采用多基矢量子电路玻恩机（QCBM）来建模 GAN 的先验分布，该框架在 MNIST 数据集上实现了最先进（SOTA）的 Inception Score（IS），尽管量子比特数量有限，但仍通过提升训练稳定性和生成样本质量，展示了实际的量子优势。

ABSTRACT

Generating high-quality data (e.g. images or video) is one of the most exciting and challenging frontiers in unsupervised machine learning. Utilizing quantum computers in such tasks to potentially enhance conventional machine learning algorithms has emerged as a promising application, but poses big challenges due to the limited number of qubits and the level of gate noise in available devices. In this work, we provide the first practical and experimental implementation of a quantum-classical generative algorithm capable of generating high-resolution images of handwritten digits with state-of-the-art gate-based quantum computers. In our quantum-assisted machine learning framework, we implement a quantum-circuit based generative model to learn and sample the prior distribution of a Generative Adversarial Network. We introduce a multi-basis technique that leverages the unique possibility of measuring quantum states in different bases, hence enhancing the expressivity of the prior distribution. We train this hybrid algorithm on an ion-trap device based on $^{171}$Yb$^{+}$ ion qubits to generate high-quality images and quantitatively outperform comparable classical Generative Adversarial Networks trained on the popular MNIST data set for handwritten digits.

研究动机与目标

• 展示在近中期 NISQ 设备上生成模型中实现实际量子优势。
• 开发一种混合量子-经典框架，能够从真实世界数据集（如 MNIST）生成高质量图像。
• 通过量子增强的先验建模，克服当前量子硬件的局限性（如量子比特数量和门噪声）。
• 验证量子生成模型不仅在理论上，而且在标准基准测试中，实际性能也优于经典 GAN。

提出的方法

• 该框架采用量子电路关联对抗网络（QC-AAN），其中量子线路用于建模 GAN 的先验分布。
• 多基矢量子电路玻恩机（QCBM）支持在多个基矢下测量量子态，从而增强先验分布的表达能力。
• QCBM 中的参数化单量子比特旋转门和可训练门，支持在计算基及其它基矢（如 Y 基）中灵活准备和测量量子态。
• 生成器网络通过 QCBM 提供的先验样本进行传统方式训练，判别器则在真实图像与生成图像上进行训练。
• 该模型在 8 量子比特离子阱量子处理器上实现，使用 171Yb+ 离子，具备高保真度初始化和原生两量子比特门。
• 由于输入为灰度图像，Inception Score 使用自定义的 MNIST 高精度卷积神经网络分类器（准确率达 99.3%）计算，而非 Inception-v3。

实验结果

研究问题

• RQ1 在当前 NISQ 硬件条件下，混合量子-经典生成模型是否能在真实世界图像生成任务中超越经典 GAN？
• RQ2 在 QCBM 中使用多基矢态测量是否能显著提升先验分布的表达能力与生成样本的质量？
• RQ3 即使目标分布是经典可计算的，量子模型是否仍能在生成建模中提供实际的量子优势？
• RQ4 在量子比特资源有限的情况下，量子先验建模如何影响 GAN 的训练稳定性和收敛性？

主要发现

• QC-AAN 框架仅使用 8 个量子比特，就在 MNIST 数据集上实现了 8.96 的最先进 Inception Score，优于同类经典 GAN。
• 多基矢 QCBM 显著增强了先验分布的表达能力，使得在量子比特数量有限的情况下仍能生成高质量图像。
• 量子辅助训练过程表现出更高的训练稳定性，并在损失景观中展现出更优的优化路径，优于经典基线。
• 即使仅生成 64 或 256 个不同图像（受限于 6 和 8 量子比特先验），模型仍获得高 Inception Score，表明其具备强大的类别判别力与多样性。
• 人类观察者认为生成的数字清晰且可辨识，尽管唯一样本数量较少，表明其具有较高的感知质量。
• 结果表明，实际量子优势并非源于理论上的不可计算性，而是通过在真实世界数据上更优的训练动力学与样本质量体现。