[论文解读] Variational quantum generators: Generative adversarial quantum machine learning for continuous distributions

Jonathan Romero, Alán Aspuru‐Guzik|arXiv (Cornell University)|Jan 3, 2019

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

本文提出一种混合量子-经典生成模型，利用变分量子线路学习连续的经典概率分布。通过采用量子编码器和可训练的变分电路，并利用经典或量子判别器进行生成对抗学习优化，该框架成功生成与目标分布匹配的样本，展示了在近期量子设备上的可行性。

ABSTRACT

We propose a hybrid quantum-classical approach to model continuous classical probability distributions using a variational quantum circuit. The architecture of the variational circuit consists of two parts: a quantum circuit employed to encode a classical random variable into a quantum state, called the quantum encoder, and a variational circuit whose parameters are optimized to mimic a target probability distribution. Samples are generated by measuring the expectation values of a set of operators chosen at the beginning of the calculation. Our quantum generator can be complemented with a classical function, such as a neural network, as part of the classical post-processing. We demonstrate the application of the quantum variational generator using a generative adversarial learning approach, where the quantum generator is trained via its interaction with a discriminator model that compares the generated samples with those coming from the real data distribution. We show that our quantum generator is able to learn target probability distributions using either a classical neural network or a variational quantum circuit as the discriminator. Our implementation takes advantage of automatic differentiation tools to perform the optimization of the variational circuits employed. The framework presented here for the design and implementation of variational quantum generators can serve as a blueprint for designing hybrid quantum-classical architectures for other machine learning tasks on near-term quantum devices.

研究动机与目标

• 开发一种可在近期量子硬件上学习连续经典概率分布的量子生成模型。
• 在生成对抗学习框架中，将变分量子线路与经典或量子判别器相结合。
• 利用自动微分工具在混合量子-经典架构中实现高效的参数优化。
• 在NISQ设备上展示量子变分生成器在实际机器学习任务中的可行性。

提出的方法

• 使用变分量子线路作为量子生成器，通过参数化门将经典随机变量编码为量子态。
• 利用判别器区分真实数据样本与生成样本，对生成器的参数进行优化。
• 判别器可实现为经典神经网络或变分量子线路，从而支持完全的量子-经典或全量子判别器。
• 通过测量准备好的态中预定义可观测量的期望值来生成样本。
• 采用自动微分高效计算梯度，以优化变分电路参数。
• 该框架支持经典后处理，允许与神经网络等经典模型集成，以提升生成性能。

实验结果

研究问题

• RQ1 变分量子线路能否有效建模连续的经典概率分布？
• RQ2 通过对抗学习训练的量子生成器在多大程度上能复现目标概率分布？
• RQ3 使用经典神经网络与量子线路作为判别器的性能差异如何？
• RQ4 自动微分能否在混合量子-经典设置中有效优化量子生成器参数？
• RQ5 该框架在NISQ设备上可扩展至其他量子机器学习任务的程度如何？

主要发现

• 量子生成器在使用经典和量子判别器时，均能成功学习目标连续概率分布。
• 通过自动微分的对抗优化，该框架实现了有效的训练与样本生成。
• 经典后处理的集成增强了量子生成器的灵活性与性能。
• 该方法展示了在量子比特数量和相干时间有限的近期量子设备上进行生成建模的可行性。
• 该架构为超越生成建模的混合量子-经典机器学习提供了可扩展的蓝图。
• 该方法表明，变分量子线路能够有效编码和生成复杂的连续分布，在特定基准测试中可与经典生成模型相媲美。