[论文解读] A Full Quantum Generative Adversarial Network Model for High Energy Physics Simulations

Florian Rehm, S. Vallecorsa+3 more|arXiv (Cornell University)|Jan 1, 2023

Generative Adversarial Networks and Image Synthesis被引用 7

一句话总结

该论文提出了一种使用变分量子线路的全量子生成对抗网络（qGAN），用于生成高能物理模拟中真实的八像素量能器簇射图像。该模型采用MERA-up/down线路架构并结合角度编码，其判别器参数量仅为20个，远少于混合量子-经典GAN中的433个参数，但性能与之相当，展示了全量子判别器在物理模拟中的潜力。

ABSTRACT

The prospect of quantum computing with a potential exponential speed-up compared to classical computing identifies it as a promising method in the search for alternative future High Energy Physics (HEP) simulation approaches. HEP simulations, such as employed at the Large Hadron Collider at CERN, are extraordinarily complex and require an immense amount of computing resources in hardware and time. For some HEP simulations, classical machine learning models have already been successfully developed and tested, resulting in several orders of magnitude speed-up. In this research, we proceed to the next step and explore whether quantum computing can provide sufficient accuracy, and further improvements, suggesting it as an exciting direction of future investigations. With a small prototype model, we demonstrate a full quantum Generative Adversarial Network (GAN) model for generating downsized eight-pixel calorimeter shower images. The advantage over previous quantum models is that the model generates real individual images containing pixel energy values instead of simple probability distributions averaged over a test sample. To complete the picture, the results of the full quantum GAN model are compared to hybrid quantum-classical models using a classical discriminator neural network.

研究动机与目标

• 开发并验证一种用于高能物理（HEP）模拟的全量子GAN模型，特别针对量能器簇射图像生成。
• 通过在生成器与判别器电路之间直接实现纠缠而避免中间测量，克服混合量子-经典GAN的局限性。
• 评估仅含20个可训练参数的全量子判别器是否能与经典神经网络在生成精确物理图像方面具备相当的表征能力。
• 将全量子GAN的性能与具有不同规模的经典判别器的混合qGAN进行比较，重点关注图像保真度与训练稳定性。

提出的方法

• 该模型采用基于RY门和CX纠缠门构建的MERA-up（生成器）与MERA-down（判别器）变分量子线路架构。
• 角度编码将像素能量值映射为量子比特态，使用按像素标准差缩放的旋转角度及随机能量因子。
• 生成器通过纠缠叠加态生成假图像，而判别器则通过单个测量量子比特输出“真实/虚假”概率。
• 训练过程交替优化生成器以欺骗判别器，以及优化判别器以正确分类真实与假图像，损失函数为二元交叉熵。
• 全量子GAN通过相干连接生成器与判别器电路，避免中间测量，从而保持量子态完整性。
• 作为对比，实现了具有相同量子生成器但不同规模（S、M、L）经典神经网络判别器的混合qGAN。

实验结果

研究问题

• RQ1 全量子GAN是否能在不依赖经典判别器的情况下生成逼真的像素级量能器簇射图像？
• RQ2 仅含20个可训练参数的量子判别器是否能达到超过400个参数的经典判别器的图像生成精度？
• RQ3 在HEP模拟背景下，全量子GAN的训练稳定性与收敛性与混合量子-经典GAN相比如何？
• RQ4 全量子GAN在在多大程度上能够再现复杂物理模式，如像素级相关性，而不仅限于平均图像保真度？
• RQ5 生成器与判别器之间的模型平衡对量子GAN最终生成质量的影响如何？

主要发现

• 全量子GAN对Geant4参考数据的均方误差（MSE）为1.77 ± 1.46，表明其在再现平均簇射图像方面具有较强的保真度。
• 具有中等规模经典判别器（433个参数）的混合qGAN达到最低MSE为1.50 ± 2.15，与全量子GAN性能在统计不确定性范围内相当。
• 全量子GAN仅用20个可训练参数即达到与超过400个参数的经典判别器相当的性能，表明其具有极高的参数效率。
• 在混合模型中，小（S）和大（L）规模判别器因与生成器失衡而出现训练不稳定性，证实了模型平衡的重要性。
• 全量子GAN与最佳混合模型均未能再现复杂的像素级相关性模式，表明其在建模高阶物理相关性方面存在局限。
• 全量子GAN中无中间测量，保持了量子相干性并避免了读出误差伪影，这是相较于混合模型的关键优势。