[论文解读] Quantum generative adversarial network for generating discrete data

Haozhen Situ, Zhimin He+2 more|arXiv (Cornell University)|Jul 3, 2018

Quantum Computing Algorithms and Architecture被引用 17

一句话总结

本文提出了一种混合量子-经典生成对抗网络（GAN），利用参数化量子线路作为生成器、经典神经网络作为判别器，生成离散的经典数据（如文本）。该方法仅使用当前量子硬件原生支持的单量子比特和双量子比特门，避免了数据编码/输出瓶颈，并将概率分布隐式编码到量子态中，从而在不产生经典 GAN 中常见的梯度消失问题的前提下，实现了高效的离散数据生成。

ABSTRACT

Quantum machine learning has recently attracted much attention from the community of quantum computing. In this paper, we explore the ability of generative adversarial networks (GANs) based on quantum computing. More specifically, we propose a quantum GAN for generating classical discrete distribution, which has a classical-quantum hybrid architecture and is composed of a parameterized quantum circuit as the generator and a classical neural network as the discriminator. The parameterized quantum circuit only consists of simple one-qubit rotation gates and two-qubit controlled-phase gates that are available in current quantum devices. Our scheme has the following characteristics and potential advantages: (i) It is intrinsically capable of generating discrete data (e.g., text data), while classical GANs are clumsy for this task due to the vanishing gradient problem. (ii) Our scheme avoids the input/output bottlenecks embarrassing most of the existing quantum learning algorithms that either require to encode the classical input data into quantum states, or output a quantum state corresponding to the solution instead of giving the solution itself, which inevitably compromises the speedup of the quantum algorithm. (iii) The probability distribution implicitly given by data samples can be loaded into a quantum state, which may be useful for some further applications.

研究动机与目标

• 为解决使用量子机器学习模型生成离散数据（如文本）的挑战。
• 克服经典 GAN 在生成离散分布时因梯度消失问题而受阻的困境。
• 通过避免完整量子态编码和直接输出经典数据，消除量子机器学习中常见的输入与输出瓶颈。
• 实现将数据概率分布隐式编码到量子态中，以供后续量子应用使用。

提出的方法

• 生成器是由单量子比特旋转门和双量子比特受控相位门组成的参数化量子线路，可在当前的含噪声中等规模量子（NISQ）设备上实现。
• 判别器是一个评估生成数据样本真实性的经典前馈神经网络。
• 生成器生成一个编码离散数据概率分布的量子态，随后通过测量获得经典离散输出。
• 训练过程交替优化生成器以生成更逼真的数据，以及优化判别器以更好地区分真实与生成的数据。
• 通过在计算基下测量量子线路的输出，获得离散的经典数据，从而避免了对完整量子态层析的需要。
• 该方法隐式地将数据分布存储在生成器的量子态中，可能有助于后续的量子处理。

实验结果

研究问题

• RQ1 仅使用原生门的量子生成器是否能够在不遭遇梯度消失问题的情况下生成逼真的离散数据分布？
• RQ2 量子 GAN 如何避免现有量子机器学习算法中限制加速的输入与输出瓶颈？
• RQ3 能否通过测量参数化量子线路，将离散数据的概率分布隐式编码到量子态中？
• RQ4 在近场量子硬件上，使用混合量子-经典 GAN 架构生成经典离散数据（如文本）是否可行？

主要发现

• 所提出的量子 GAN 架构在本质上具备生成离散数据的能力，克服了经典 GAN 在此场景下因梯度消失而受阻的问题。
• 该方法通过直接输出经典离散数据而非要求输出量子态，避免了量子机器学习中常见的输入与输出瓶颈。
• 生成数据的概率分布被隐式编码在生成器的量子态中，为后续量子算法的应用提供了可能。
• 仅使用单量子比特和双量子比特门的设计确保了与当前含噪声中等规模量子（NISQ）设备的兼容性，增强了实际可行性。