[论文解读] Efficient Online Quantum Generative Adversarial Learning Algorithms with Applications

Yuxuan Du, Min-Hsiu Hsieh+1 more|arXiv (Cornell University)|Apr 21, 2019

Quantum Computing Algorithms and Architecture参考文献 45被引用 9

一句话总结

本文提出量子乘法矩阵权重（QMMW）算法，这是首个在近场量子设备上实现多项式时间收敛至纳什均衡的高效在线量子生成对抗学习方法，适用于量子生成对抗网络（QuGANs）。通过将在线学习与参数化量子线路相结合，QMMW实现了潜在的指数级量子加速，并在使用适度量子资源的情况下成功完成了纯态的纠缠测试，对可分态的保真度 >0.702，对纠缠态的保真度 <0.250。

ABSTRACT

The exploration of quantum algorithms that possess quantum advantages is a central topic in quantum computation and quantum information processing. One potential candidate in this area is quantum generative adversarial learning (QuGAL), which conceptually has exponential advantages over classical adversarial networks. However, the corresponding learning algorithm remains obscured. In this paper, we propose the first quantum generative adversarial learning algorithm-- the quantum multiplicative matrix weight algorithm (QMMW)-- which enables the efficient processing of fundamental tasks. The computational complexity of QMMW is polynomially proportional to the number of training rounds and logarithmically proportional to the input size. The core concept of the proposed algorithm combines QuGAL with online learning. We exploit the implementation of QuGAL with parameterized quantum circuits, and numerical experiments for the task of entanglement test for pure state are provided to support our claims.

研究动机与目标

• 解决近期量子设备上缺乏高效且收敛的量子生成对抗学习算法的问题。
• 克服现有QuGANs中由于参数化量子线路的非凸优化导致的训练不稳定与收敛性差的问题。
• 在量子信息处理任务（如纠缠测试与态判别）中展示量子优势。
• 为将QuGAL应用于基础量子信息问题建立理论与实践框架。

提出的方法

• 提出量子乘法矩阵权重（QMMW）算法，灵感来源于经典零和博弈中的乘法权重方法。
• 在生成器与判别器中均采用参数化量子线路（PQCs），并依据在线学习原则进行训练。
• 通过梯度的乘法权重重加权，突出最能欺骗判别器的方向，从而提升收敛性。
• 理论分析证明QMMW的收敛速率为O(√(N/T))，其中N为量子比特数，T为训练轮数。
• 利用高效的吉布斯采样技术实现QMMW所需的量子态制备，将计算复杂度降低至O(N³T⁴)。
• 在数值模拟中采用零阶微分方法进行参数更新，实现无需梯度计算的训练。

实验结果

研究问题

• RQ1 能否有效将在线学习技术整合到量子生成对抗学习中，以确保收敛至纳什均衡？
• RQ2 所提出的QMMW算法是否在收敛速率上被严格证明快于标准QuGAN训练方法？
• RQ3 使用QMMW训练的QuGAN能否在最小化量子资源消耗的前提下，成功区分纠缠与可分的纯量子态？
• RQ4 QMMW算法的计算复杂度在量子比特数与训练轮数方面如何表示？
• RQ5 乘法权重训练方法如何提升QuGAN优化中的稳定性并避免陷入局部极小值？

主要发现

• QMMW算法实现了O(√(N/T))的收敛速率，证明其在达到纳什均衡方面的理论高效性。
• 数值模拟显示，使用QMMW训练的QuGAN对可分态|Ψ⟩的保真度 >0.702，表明其有效生成了目标态。
• 对于纠缠的GHZ态|GHZ⟩，保真度始终低于0.250，证实判别器能够有效识别纠缠态。
• 在可分态情况下，训练损失在约100轮后震荡于0.444–0.559之间，逐渐收敛至最优值。
• 纠缠测试任务仅需143个量子门，远少于自测方法所需的240个门。
• QMMW的计算复杂度为O(N³T⁴)，表明其在量子比特数与训练轮数上均呈多项式缩放。