[论文解读] Experimental demonstration of a quantum generative adversarial network for continuous distributions

Abhinav Anand, Jonathan Romero+2 more|arXiv (Cornell University)|Jun 2, 2020

Quantum Computing Algorithms and Architecture被引用 9

一句话总结

本文展示了用于在噪声中等规模量子（NISQ）设备上学习连续概率分布的混合量子生成对抗网络（HQGAN）。利用Rigetti的Aspen-4-2Q-A处理器，实验表明该方法在各种噪声类型下均具有稳健的训练性能，并识别出可降低计算扩展性的参数配置，从而实现量子生成模型的实际部署。

ABSTRACT

The potential advantage of machine learning in quantum computers is a topic of intense discussion in the literature. Theoretical, numerical and experimental explorations will most likely be required to understand its power. There has been different algorithms proposed to exploit the probabilistic nature of variational quantum circuits for generative modelling. In this paper, we employ a hybrid architecture for quantum generative adversarial networks (QGANs) and study their robustness in the presence of noise. We devise a simple way of adding different types of noise to the quantum generator circuit, and numerically simulate the noisy hybrid QGANs to learn continuous probability distributions, and show that the performance of HQGANs remain unaffected. We also investigate the effect of different parameters on the training time to reduce the computational scaling of the algorithm and simplify its deployment on a quantum computer. We then perform the training on Rigetti's Aspen-4-2Q-A quantum processing unit, and present the results from the training. Our results pave the way for experimental exploration of different quantum machine learning algorithms on noisy intermediate scale quantum devices.

研究动机与目标

• 研究在噪声量子硬件上训练用于连续概率分布的量子生成对抗网络（QGAN）的可行性。
• 评估混合QGAN（HQGAN）在NISQ设备中真实噪声条件下的鲁棒性。
• 通过识别最优训练参数，减少计算扩展性并简化部署。
• 通过Rigetti的Aspen-4-2Q-A真实量子处理器演示HQGAN的实验可行性。

提出的方法

• 采用混合量子-经典架构，其中量子生成器生成样本，经典判别器对其进行评估。
• 通过受控模拟框架系统性地向量子生成器电路引入噪声，以模拟真实的退相干和门错误。
• 通过数值模拟评估HQGAN在不同噪声类型和参数设置下的性能。
• 通过调整超参数优化训练过程，以最小化计算扩展性并提高收敛速度。
• 在Rigetti的Aspen-4-2Q-A 2量子比特量子处理器上实现并训练HQGAN，以验证实验可行性。
• 通过标准生成建模指标比较生成分布与目标连续分布，评估性能。

实验结果

研究问题

• RQ1 噪声如何影响混合量子生成对抗网络在连续分布上的训练与性能？
• RQ2 哪些超参数对HQGAN的计算扩展性和收敛时间影响最大？
• RQ3 HQGAN在噪声近场量子硬件上训练时能否保持鲁棒性和准确性？
• RQ4 通过参数优化在多大程度上可降低在NISQ设备上部署HQGAN的资源需求？
• RQ5 在真实量子处理器上训练HQGAN用于连续分布学习是否具备实验可行性？

主要发现

• HQGAN在各种噪声类型下均保持稳定的训练性能，表明其对量子生成器中的退相干和门错误具有鲁棒性。
• 最优参数选择显著降低了计算扩展性，从而实现了在NISQ设备上更高效的训练。
• 在Rigetti的Aspen-4-2Q-A量子处理器上的实验训练成功生成了来自连续分布的样本。
• 数值模拟证实，当参数正确校准时，噪声不会降低模型学习目标分布的能力。
• 结果验证了在当前噪声中等规模量子硬件上部署HQGAN用于生成建模任务的可行性。