耗散驱动的量子生成对抗网络

量子机器学习有望利用量子优势实现超越经典算法的加速。同时，研究表明耗散可以作为量子计算中的有效资源。在本文中，我们介绍了一种新颖的、专门用于生成经典数据的耗散驱动量子生成对抗网络（DQGAN）架构。我们的 DQGAN 包含两个相互作用的网络：一个生成网络和一个判别网络，两者均由量子比特构成。经典数据通过强定制的耗散过程编码到输入层的输入量子比特中。这种编码方案使我们能够通过测量输出量子比特稳态的可观测量来提取生成的数据和分类结果。网络耦合权重，即层间相互作用哈密顿量的强度，在训练过程中迭代更新。该训练过程与传统的生成对抗网络（GAN）的训练非常相似。通过交替更新两个网络，我们促进对抗学习，直至达到平衡点。我们在一个简化任务实例上的初步数值测试证实了我们 DQGAN 模型的可行性。