带迁移学习的混合量子-经典生成对抗网络

生成对抗网络 (GAN) 已展示出在合成多样且高保真图像方面的巨大潜力。然而, 关于如何最佳地将量子原理纳入其表征能力和计算能力的关键问题仍未得到解答。本文我们通过引入迁移学习来系统地检验将变分量子电路 (VQC) 融入生成器、鉴别器或两者中, 是否相较于完全经典基线模型提升性能。我们的发现表明, 完全混合模型（即在生成器和鉴别器中都包含 VQC）会产生更高质量的图像，并实现更有利的定量指标。特别地, 将量子模块置于生成器中似乎加速了早期视觉结构的出现, 而将其置于鉴别器中则会减缓早期视觉收敛, 但改善最终的定量质量指标。将量子模块纳入两个网络中可实现最强的整体性能。此外, 该模型即使在数据集规模减小时也能保持可比的性能。总体而言, 这些结果凸显了将量子计算与经典对抗训练及预训练特征提取相结合的潜力, 以丰富 GAN-based 图像合成。这些见解为未来的工作开辟了道路, 包括更高分辨率任务、替代量子电路设计以及与新兴量子硬件的实验。