[论文解读] Recent Advances for Quantum Neural Networks in Generative Learning

Jinkai Tian, Xiaoyu Sun+12 more|arXiv (Cornell University)|Jun 7, 2022

Quantum Computing Algorithms and Architecture被引用 7

一句话总结

本文综述了量子生成学习模型（QGLMs），包括量子线路玻恩机（QCBM）、量子生成对抗网络（QGAN）、量子玻尔兹曼机（QBM）和量子自编码器（QAE），将其视为经典生成模型的量子扩展。文章整合了其理论基础，强调其在近期量子硬件上实现计算优势的潜力，并概述了在表达能力、抗噪性及高效态制备方面的关键挑战与未来研究方向。

ABSTRACT

Quantum computers are next-generation devices that hold promise to perform calculations beyond the reach of classical computers. A leading method towards achieving this goal is through quantum machine learning, especially quantum generative learning. Due to the intrinsic probabilistic nature of quantum mechanics, it is reasonable to postulate that quantum generative learning models (QGLMs) may surpass their classical counterparts. As such, QGLMs are receiving growing attention from the quantum physics and computer science communities, where various QGLMs that can be efficiently implemented on near-term quantum machines with potential computational advantages are proposed. In this paper, we review the current progress of QGLMs from the perspective of machine learning. Particularly, we interpret these QGLMs, covering quantum circuit born machines, quantum generative adversarial networks, quantum Boltzmann machines, and quantum autoencoders, as the quantum extension of classical generative learning models. In this context, we explore their intrinsic relation and their fundamental differences. We further summarize the potential applications of QGLMs in both conventional machine learning tasks and quantum physics. Last, we discuss the challenges and further research directions for QGLMs.

研究动机与目标

• 从机器学习视角系统性回顾近期量子生成学习模型（QGLMs）的进展。
• 建立QGLMs与其经典生成学习对应模型之间的概念与结构类比。
• 识别并分析QGLM发展中面临的关键挑战，包括表达能力、抗噪性及态制备效率。
• 探索QGLMs在经典机器学习与量子物理任务中的潜在应用。
• 勾勒出推动QGLMs迈向实际量子优势的关键开放问题与未来研究方向。

提出的方法

• 将QGLMs分为四类主要类型：量子线路玻恩机（QCBM）、量子生成对抗网络（QGAN）、量子玻尔兹曼机（QBM）和量子自编码器（QAE）。
• 将每种QGLM与其经典对应模型（如QCBM对应经典GAN或VAE）进行映射，以明确其概念关联与差异。
• 分析参数化量子线路（PQCs）作为QGLM架构核心构建模块的作用。
• 回顾变分量子算法与基于梯度的优化技术，用于在噪声中等规模量子（NISQ）约束下训练QGLMs。
• 研究量子态制备与测量技术，包括振幅编码与随机测量协议（如影子层析技术）。
• 评估覆盖数与纠缠熵等理论工具，以评估QGLMs中的泛化能力与表达能力。

实验结果

研究问题

• RQ1 量子生成学习模型（QGLMs）在架构与学习动力学方面，如何扩展经典生成模型？
• RQ2 在量子机器学习背景下，QCBM、QGAN、QBM与QAE之间的基本差异与内在联系是什么？
• RQ3 在近期量子设备上实现QGLMs计算优势的关键挑战是什么？
• RQ4 如何从理论上分析与优化QGLMs的表达能力、泛化能力与可训练性？
• RQ5 误差缓解、硬件感知的ansatz设计与高效态制备在提升QGLM性能方面发挥何种作用？

主要发现

• 量子线路玻恩机（QCBM）天然利用玻恩法则，通过量子线路生成概率分布，可在NISQ设备上实现高效部署。
• 量子生成对抗网络（QGAN）在特定条件下展现出生成高保真度量子态与经典数据的潜力，理论分析表明其在样本效率方面具有优势。
• 量子玻尔兹曼机（QBM）为经典玻尔兹曼机的量子推广，其训练可通过量子上界与变分量子算法实现。
• 量子自编码器（QAE）可实现高效的维数缩减与态重建，混合经典-量子架构在量子数据压缩方面展现出前景。
• 通过使用O(N)辅助量子比特，可实现Θ(N)线路深度的高效量子态制备；对于稀疏态，使用O(Nd log d)辅助量子比特可实现Θ(log(Nd))深度制备。
• 误差缓解与硬件优化的ansatz设计对抑制NISQ时代QGLMs中的噪声效应至关重要，早期证据表明更高的纠缠熵与QCBM性能提升存在关联。