[論文レビュー] Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation

S. Tsang, Maxwell T. West+2 more|arXiv (Cornell University)|Dec 22, 2022

Computational Physics and Python Applications参考文献 50被引用数 5

ひとこと要約

この論文は、NISQ時代の量子ハードウェアで効率的に訓練可能な、パッチベースの量子生成器を用いたハイブリッド量子古典的生成対抗ネットワーク（PQWGAN）を提案する。28×28グレースケール画像を高解像度で生成し、トレーニング可能なパrameter数を古典的GANの約1,000分の1にまで削減しながら、古典的GANと同等の性能を達成した。フレームワークは、勾配ペナルティを用いたワッサーシュタインGAN（WGAN-GP）を採用し、パラメータ化された量子回路（PQC）を用いて画像パッチを生成する。生成されたパッチは合成され、量子ハードウェア上で効率的な学習を可能にする。

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.

研究の動機と目的

• 近い将来の量子ハードウェア上で高解像度画像生成を可能にするために、古典的GANと量子GANのギャップを埋めること。
• 次元削減や低解像度データセットに依存する従来のQGANの制限を克服すること。
• 量子生成器のハイパーパrameterが画像生成品質および学習安定性に与える影響を調査すること。
• 量子生成器が、古典モデルと比較して顕著に少ないパrameter数で競争力ある性能を達成できることを示すこと。

提案手法

• 各画像パッチが別個のパラメータ化された量子回路（PQC）によって生成されるパッチベース戦略を採用する。
• 量子生成器は、RY回転を用いて潜在ベクトルを量子状態に符号化し、キュービットを測定して画像パッチを生成する。
• 生成されたパッチは合成され、完全な画像が形成され、その後、古典的クリティックネットワークによって評価される。
• クリティックは、勾配ペナルティを用いたワッサーシュタイン距離（WGAN-GP）を用い、安定した学習信号を提供する。
• 生成器とクリティックは、Adamを用いた確率的最適化により同時に学習され、ハイブリッド量子古典的計算のためにPyTorchとPennyLaneが利用される。
• 古典的前処理・後処理や次元削減を回避することで、画像の解像度と忠実度を保持する。

実験結果

リサーチクエスチョン

• RQ1 次元削減なしに、高解像度画像を生成する際、量子生成器の性能は古典的GANと比べてどうか？
• RQ2 キュービット数、パッチサイズ、回路深さなどの量子生成器パラメータの変化が、画像品質および学習安定性に与える影響は何か？
• RQ3 ハイブリッド量子古典的GANは、古典モデルと比較して顕著に少ないトレーニング可能なパラメータ数で、競争力のあるFIDスコアを達成できるか？
• RQ4 事前分布の選択（例：一様分布対正規分布）が、量子GANフレームワークにおける生成画像の品質と多様性に与える影響は何か？
• RQ5 量子生成器のサイズを拡大することで、学習能力および生成品質が一貫して向上するか？

主な発見

• PQWGANフレームワークは、次元削減や古典的前処理なしに、MNISTおよびFashion-MNISTデータセットから28×28グレースケール画像を生成できた。
• 生成器のトレーニング可能なパラメータ数を約1,000分の1に削減しながらも、FIDスコアは古典的GANと同等の水準を達成した。
• 量子生成器のキュービット数を増やすことで、画像品質および学習安定性が一貫して向上した。
• 事前分布の選択（例：一様分布対正規分布）が、生成サンプルの多様性と忠実度に顕著な影響を与えた。
• パッチベースアーキテクチャにより、複数の小さな回路に量子回路の負荷を分散させることで、スケーラブルな量子画像生成が可能になった。
• 体系的なハイパーパラメータのアブレーション解析から、より大きな生成器回路および最適なパッチ形状が、優れた生成性能をもたらすことが示された。