[论文解读] Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors

Su Yeon Chang, S. Vallecorsa+2 more|arXiv (Cornell University)|Jan 26, 2021

Model Reduction and Neural Networks参考文献 12被引用 7

一句话总结

本文提出一种连续变量量子生成对抗网络（CV qGAN），以加速高能物理探测器响应的模拟，利用包含光场正交振幅的量子模式（qumodes）的量子线路来建模连续概率分布。混合式CV qGAN模型在仅使用170倍少的参数量下达到与经典GAN相当的性能，且收敛速度显著更快，尽管训练仍受限于模拟时间，并存在模式崩溃问题。

ABSTRACT

Deep Neural Networks (DNNs) come into the limelight in High Energy Physics (HEP) in order to manipulate the increasing amount of data encountered in the next generation of accelerators. Recently, the HEP community has suggested Generative Adversarial Networks (GANs) to replace traditional time-consuming Geant4 simulations based on the Monte Carlo method. In parallel with advances in deep learning, intriguing studies have been conducted in the last decade on quantum computing, including the Quantum GAN model suggested by IBM. However, this model is limited in learning a probability distribution over discrete variables, while we initially aim to reproduce a distribution over continuous variables in HEP. We introduce and analyze a new prototype of quantum GAN (qGAN) employed in continuous-variable (CV) quantum computing, which encodes quantum information in a continuous physical observable. Two CV qGAN models with a quantum and a classical discriminator have been tested to reproduce calorimeter outputs in a reduced size, and their advantages and limitations are discussed.

研究动机与目标

• 通过用更快的生成模型替代蒙特卡洛模拟，解决高能物理中计算瓶颈问题。
• 将量子GAN扩展至连续变量量子计算，实现对量热器能量沉积等连续探测器输出的建模。
• 开发并测试两种CV qGAN架构：一种完全量子化架构，一种混合架构，采用量子生成器搭配经典或量子判别器。
• 评估CV qGAN在有限量子模式数量下模拟真实探测器数据的可行性、性能与收敛性。
• 识别CV qGAN中的关键挑战，如模式崩溃与训练不稳定性，并提出改进方向。

提出的方法

• 采用连续变量（CV）量子计算，通过光场的正交振幅编码信息于量子模式（qumodes）中。
• 使用参数化量子门（位移、压缩、旋转与分束器）构建生成器电路的连续变量神经网络（CVNNs）。
• 实现两种模型：一种为混合式CV qGAN，采用量子生成器与经典判别器；另一种为全量子CV qGAN，采用量子判别器。
• 通过对抗性优化训练生成器与判别器，最小化一个损失函数，该函数比较真实与生成的探测器响应分布。
• 测量最终量子模式位置算符的期望值，以提取连续输出特征，并与真实数据进行比较。
• 在判别器输出上使用Sigmoid激活函数，将样本分类为真实或伪造，并利用可微分量子编程框架通过量子线路反向传播梯度。

实验结果

研究问题

• RQ1 连续变量量子GAN能否有效学习并生成代表高能物理探测器输出的连续概率分布？
• RQ2 与经典GAN相比，混合式CV qGAN（量子生成器，经典判别器）在参数效率与收敛速度方面表现如何？
• RQ3 当前CV qGAN实现的局限性（如模式崩溃与训练不稳定性）是什么？与经典GAN相比有何差异？
• RQ4 增加潜在空间维度如何影响CV qGAN模型的稳定性和收敛性？
• RQ5 尽管每轮模拟成本更高，CV qGAN能否实现比经典GAN更快的收敛速度？

主要发现

• 混合式CV qGAN模型仅使用264个参数，性能与经典GAN相当，参数量仅为经典GAN（44,947个参数）的1/170。
• CV qGAN在100轮内完成收敛，而经典GAN需超过1,000轮，表明在训练速度上具有显著优势。
• 尽管收敛更快，CV qGAN每轮模拟时间极长（350分钟），导致完整训练仅能支持少于五个量子模式。
• 该模型表现出模式崩溃，这是GAN中的常见故障模式，表明其在学习完整数据分布方面存在不稳定性。
• 增加潜在空间维度可提升稳定性和收敛性，与经典GAN文献中关于初始化与网络深度重要性的发现一致。
• 本研究证实了利用CV量子线路模拟经典GAN的可行性，但强调亟需更快的量子模拟与更优的正则化技术。