[论文解读] Variational Quantum Circuits Enhanced Generative Adversarial Network

Runqiu Shu, Xusheng Xu+2 more|arXiv (Cornell University)|Feb 2, 2024

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文提出QC-GAN，一种混合量子-经典生成对抗网络，将变分量子线路集成到经典GAN的生成器中，以提升图像生成质量。通过利用量子纠缠和表达能力，QC-GAN在训练参数和迭代次数显著减少的情况下，实现了优于经典GAN的FID得分，同时在生成更高分辨率图像（如28×28手写数字）方面优于其他QGAN模型（如pathGAN）。

ABSTRACT

Generative adversarial network (GAN) is one of the widely-adopted machine-learning frameworks for a wide range of applications such as generating high-quality images, video, and audio contents. However, training a GAN could become computationally expensive for large neural networks. In this work, we propose a hybrid quantum-classical architecture for improving GAN (denoted as QC-GAN). The performance was examed numerically by benchmarking with a classical GAN using MindSpore Quantum on the task of hand-written image generation. The generator of the QC-GAN consists of a quantum variational circuit together with a one-layer neural network, and the discriminator consists of a traditional neural network. Leveraging the entangling and expressive power of quantum circuits, our hybrid architecture achieved better performance (Frechet Inception Distance) than the classical GAN, with much fewer training parameters and number of iterations for convergence. We have also demonstrated the superiority of QC-GAN over an alternative quantum GAN, namely pathGAN, which could hardly generate 16$ imes$16 or larger images. This work demonstrates the value of combining ideas from quantum computing with machine learning for both areas of Quantum-for-AI and AI-for-Quantum.

研究动机与目标

• 解决大规模经典GAN在图像生成中计算成本高和训练不稳定的挑战。
• 探索在NISQ时代约束下，将量子优势整合到经典机器学习框架中的方法。
• 通过混合量子-经典架构提升图像生成的质量与效率。
• 展示量子增强生成器在生成更高分辨率图像方面相较于现有QGAN（如pathGAN）的优越性。

提出的方法

• QC-GAN中的生成器结合了变分量子线路与单层经典神经网络，以建模复杂的数据分布。
• 判别器为标准的经典神经网络，用于区分真实图像与生成图像。
• 量子线路通过可微量子机器学习的参数平移规则进行训练，支持基于梯度的优化。
• 模型通过对抗损失进行端到端训练，生成器最小化判别器区分真实与伪造样本的能力。
• 实验基于MindSpore Quantum在MNIST数据集上进行，目标为28×28手写数字的生成。
• 将该架构与经典GAN及pathGAN进行对比，评估指标包括FID得分与训练收敛速度。

实验结果

研究问题

• RQ1 与经典GAN相比，混合量子-经典生成器是否能提升图像生成性能？
• RQ2 在量子资源有限的条件下，QC-GAN在生成高分辨率图像（如28×28）方面表现如何？
• RQ3 集成变分量子线路是否能减少所需训练参数数量与迭代次数？
• RQ4 与pathGAN等其他QGAN架构相比，QC-GAN在图像质量与可扩展性方面表现如何？

主要发现

• QC-GAN的FID得分优于经典GAN，表明其在更少参数和更快收敛下实现了更高品质的图像生成。
• 该模型仅使用5个量子比特即成功生成清晰的28×28手写数字，证明了其在极小量子资源下的可扩展性。
• 在生成16×16图像时，QC-GAN优于pathGAN，后者需16个子生成器且图像质量明显下降。
• 训练损失曲线显示典型的GAN对抗动态：初始不稳定，随后通过超参数调优实现收敛至平衡状态。
• 尽管具备量子优势，由于量子线路的线性特性，生成样本的多样性仍有限。
• 硬件实现仍具挑战，受限于当前量子相干性、测量精度不足以及高资源成本。