耗散量子生成对抗网络
量子物理
2021-12-14 v1
摘要
噪声中等规模量子（NISQ）器件构建了第一代量子计算机。量子神经网络（QNNs）作为少数适合在这些NISQ器件上运行的量子算法之一而受到高度关注。大多数QNN利用以成对量子态形式进行的监督训练算法来学习其底层关系。然而，尽管存在量子数据不成对出现的有趣应用，无监督训练算法却很少受到关注。在此，我们提出一种无监督学习并复现任意给定量子态集合特征的方法。我们使用两个耗散量子神经网络（DQNNs）构建生成对抗模型，从而得到耗散量子生成对抗网络（DQGAN）。生成器DQNN旨在产生与训练数据相似的量子态，而判别器DQNN旨在区分生成器的输出与训练数据。我们发现以竞争方式训练两部分可得到一个训练良好的生成DQNN。我们将我们的贡献视为使用DQGAN学习和扩展无标签训练集的概念验证。
引用
@article{arxiv.2112.06088,
title = {Dissipative quantum generative adversarial networks},
author = {Kerstin Beer and Gabriel Müller},
journal= {arXiv preprint arXiv:2112.06088},
year = {2021}
}