[论文解读] Power of Quantum Generative Learning

Yuxuan Du, Zhuozhuo Tu+3 more|arXiv (Cornell University)|May 10, 2022

Quantum Computing Algorithms and Architecture被引用 11

一句话总结

本文为两种主流的量子生成学习模型——量子线路玻恩机器（quantum circuit Born machines）和量子生成对抗网络（quantum generative adversarial networks）——建立了泛化边界，证明当量子设备可直接访问目标分布且使用量子核函数时，QGLMs 可超越经典方法。理论分析在高斯分布加载和基态估计任务中得到数值验证。

ABSTRACT

The intrinsic probabilistic nature of quantum mechanics invokes endeavors of designing quantum generative learning models (QGLMs). Despite the empirical achievements, the foundations and the potential advantages of QGLMs remain largely obscure. To narrow this knowledge gap, here we explore the generalization property of QGLMs, the capability to extend the model from learned to unknown data. We consider two prototypical QGLMs, quantum circuit Born machines and quantum generative adversarial networks, and explicitly give their generalization bounds. The result identifies superiorities of QGLMs over classical methods when quantum devices can directly access the target distribution and quantum kernels are employed. We further employ these generalization bounds to exhibit potential advantages in quantum state preparation and Hamiltonian learning. Numerical results of QGLMs in loading Gaussian distribution and estimating ground states of parameterized Hamiltonians accord with the theoretical analysis. Our work opens the avenue for quantitatively understanding the power of quantum generative learning models.

研究动机与目标

• 理解量子生成学习模型（QGLMs）的泛化能力，这对于将学习到的模型推广到未知数据至关重要。
• 解决尽管QGLMs在实践中取得成功，但其理论基础仍显不足的问题，尤其是在与经典生成模型对比时。
• 探究QGLMs在学习复杂分布方面是否具有内在优势，特别是在NISQ时代的真实约束条件下。
• 通过推导QCBMs和QGANs的显式泛化边界，弥合经验性能与理论理解之间的差距。
• 通过在量子态制备和哈密顿量学习任务上的数值实验，验证理论洞见。

提出的方法

• 基于统计学习理论，推导了量子线路玻恩机器（QCBMs）和量子生成对抗网络（QGANs）的泛化边界。
• 采用最大均值差异（MMD）损失作为训练目标，以衡量生成分布与目标分布之间的分布相似性。
• 在MMD损失中引入量子核函数，以增强模型表达能力并改善泛化性能。
• 在QGANs中使用参数化量子线路作为生成器，采用经典优化器通过随机梯度下降更新参数。
• 设计了改进的风格-QGANs，采用结构化ansatz和纠缠层，以提升训练稳定性和泛化能力。
• 在高斯分布加载和参数化哈密顿量基态估计任务上进行数值模拟，以验证理论边界。

实验结果

研究问题

• RQ1 在真实的量子设备约束下，量子线路玻恩机器和量子生成对抗网络的泛化边界是什么？
• RQ2 在何种条件下，QGLMs 在泛化性能上优于经典生成模型？
• RQ3 对目标分布的直接访问以及量子核函数的使用，如何影响QGLMs的泛化性能？
• RQ4 模型表达能力（以可训练门数量衡量）在多大程度上影响QGANs中的泛化误差？
• RQ5 理论泛化边界是否可在实际量子学习任务（如量子态制备和哈密顿量学习）中得到经验验证？

主要发现

• 当量子设备可直接访问目标分布且使用量子核函数时，QGLMs 的泛化性能优于经典方法。
• QGANs 的泛化误差随可训练门数量（即线路深度）增加而上升，表明过度的模型表达能力会损害泛化性能——这一现象与定理2一致。
• 数值结果表明，当训练数据足够多（m = 5000）时，泛化误差趋于稳定，不再受数据规模主导，表明存在饱和效应。
• 对于具有L=8（L₁=8）层的QGANs，预期MMD损失在120次迭代后达到0.0045，表明由于过参数化，泛化误差相对较高。
• 经验MMD损失在40次迭代内迅速收敛，但深层线路的预期MMD损失仍显著更高，证实了表达能力与泛化性能之间的权衡。
• 在高斯分布加载和参数化哈密顿量基态估计任务上的模拟结果与理论预测一致，验证了在实际场景中泛化边界的可靠性。