[论文解读] 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 5

一句话总结

该论文提出了一种混合量子-经典生成对抗网络（PQWGAN），通过基于图像块的量子生成器生成28×28灰度图像，其性能与经典GAN相当，但可训练参数数量减少了三个数量级。该框架采用带梯度惩罚的Wasserstein GAN（WGAN-GP），并利用参数化量子电路生成图像块，再将这些图像块拼接成完整图像，从而实现在NISQ时代量子硬件上的高效训练。

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.

研究动机与目标

• 通过在近期量子硬件上实现高分辨率图像生成，弥合经典GAN与量子GAN之间的差距。
• 克服以往QGAN依赖降维或低分辨率数据集的局限性。
• 研究量子生成器超参数对图像生成质量与训练稳定性的影。
• 证明量子生成器可在显著减少参数量的情况下，实现与经典模型相当的性能。

提出的方法

• 该框架采用基于图像块的策略，每个图像块由独立的参数化量子电路（PQC）生成。
• 量子生成器使用RY旋转将潜在向量编码为量子态，并通过测量量子比特生成图像块。
• 生成的图像块被拼接成完整图像，随后由经典判别器网络进行评估。
• 判别器使用带梯度惩罚的Wasserstein距离（WGAN-GP）提供稳定的训练信号。
• 生成器与判别器通过Adam优化算法联合训练，利用PyTorch与PennyLane实现混合量子-经典计算。
• 该方法避免了经典预/后处理或降维操作，从而保留了图像的分辨率与保真度。

实验结果

研究问题

• RQ1 在不进行降维的情况下，量子生成器在生成高分辨率图像方面与经典GAN相比表现如何？
• RQ2 量子生成器参数（如量子比特数、图像块大小、电路深度）的变化如何影响图像质量与训练稳定性？
• RQ3 混合量子-经典GAN是否能在可训练参数远少于经典模型的情况下，实现具有竞争力的FID得分？
• RQ4 先验分布的选择对量子GAN框架中生成图像的质量与多样性有何影响？
• RQ5 增加量子生成器规模是否能持续提升学习能力与生成质量？

主要发现

• PQWGAN框架成功从MNIST和Fashion-MNIST数据集生成28×28灰度图像，无需降维或经典预处理。
• 该模型在生成器参数量减少约1000倍的情况下，实现了与经典GAN相当的FID得分。
• 增加量子生成器中的量子比特数量可一致地提升图像质量与训练稳定性。
• 先验分布的选择（如均匀分布与正态分布）显著影响生成样本的多样性与保真度。
• 基于图像块的架构通过将量子电路负载分布到多个小型电路中，实现了可扩展的量子图像生成。
• 系统性的超参数消融实验表明，更大的生成器电路与最优的图像块形状可带来更优的生成性能。