[论文解读] QuGAN: A Generative Adversarial Network Through Quantum States

Samuel A. Stein, Betis Baheri+6 more|arXiv (Cornell University)|Oct 18, 2020

Computational Physics and Python Applications参考文献 41被引用 24

一句话总结

QuGAN 提出了一种量子生成对抗网络，利用量子态保真度和交换测试来计算损失函数，实现了相比经典 GAN 的 94.98% 更少参数的稳定训练。其性能相比最先进量子 GAN 提升 48.33%，同时保持低于 0.5% 的分布相似性误差。

ABSTRACT

Tremendous progress has been witnessed in artificial intelligence, where neural network backed deep learning systems have been used, with applications in almost every domain. As a representative deep learning framework, Generative Adversarial Network (GAN) has been widely used for generating artificial images, text-to-image or image augmentation across areas of science, arts and video games. However, GANs are computationally expensive, sometimes computationally prohibitive. Furthermore, training GANs may suffer from convergence failure and modal collapse. Aiming at the acceleration of use cases for practical quantum computers, we propose QuGAN, a quantum GAN architecture that provides stable convergence, quantum-states based gradients and significantly reduced parameter sets. The QuGANarchitecture runs both the discriminator and the generator purely on quantum state fidelity and utilizes the swap test on qubits to calculate the values of quantum-based loss functions. Built on quantum layers, QuGAN achieves similar performance with a 94.98% reduction on the parameter set when compared to classical GANs. With the same number of parameters, addition-ally, QuGAN outperforms state-of-the-art quantum based GANsin the literature providing a 48.33% improvement in system performance compared to others attaining less than 0.5% in terms of similarity between generated distributions and original data sets.

研究动机与目标

• 为解决经典 GAN 的计算开销大和训练不稳定问题，特别是收敛失败和模式崩溃问题。
• 通过设计原生面向量子计算的 GAN 架构，加速实用化量子计算的应用场景。
• 在保持或提升性能的同时，减少 GAN 中可训练参数的数量。
• 利用量子态特性与量子操作，实现生成模型更高效、更稳定的训练。
• 通过基于量子的优化方法，实现生成数据与真实数据之间最小分布偏差的高质量数据生成。

提出的方法

• QuGAN 使用量子态作为生成器和判别器的主要表示形式，取代经典神经网络。
• 判别器通过计算输入态之间的量子态保真度来评估真实数据与生成数据。
• 在量子比特上应用交换测试以估计保真度，并计算基于量子的损失函数。
• 使用量子层构建生成器和判别器，实现参数高效的训练。
• 直接从量子态操作中计算梯度，避免使用经典反向传播。
• 通过量子态演化和基于测量的优化方法训练架构，以最小化损失。

实验结果

研究问题

• RQ1 完全基于量子态操作的 GAN 架构是否能在无收敛失败的情况下实现稳定训练？
• RQ2 量子态保真度与交换测试在多大程度上可以替代 GAN 中的经典损失函数？
• RQ3 QuGAN 的参数效率与经典 GAN 及现有量子 GAN 相比如何？
• RQ4 QuGAN 是否能生成与真实数据分布高度匹配、偏差极小的数据分布？
• RQ5 在相同参数约束条件下，QuGAN 相比最先进量子 GAN 的性能提升有多大？

主要发现

• 与经典 GAN 相比，QuGAN 将可训练参数数量减少了 94.98%，显著提升了参数效率。
• 在相同参数数量下，QuGAN 的系统性能相比现有量子 GAN 提升了 48.33%。
• 生成数据与真实数据分布之间的分布相似性误差低于 0.5%。
• 利用量子态保真度与交换测试，实现了无常见 GAN 失败模式的稳定训练。
• 基于量子的梯度与损失计算相比经典反向传播，带来了更高效的优化。
• 该架构在实用化量子计算应用中展现出强大的可扩展潜力。