面向钢材微结构图像增强的量子生成对抗网络端到端演示：基于囊中离子量子计算机
量子物理
2025-04-14 v1
摘要
生成对抗网络（GAN）是一种能够产生高质量合成图像的机器学习技术。在材料科学领域，当晶体学数据集包含不足或难以获取的图像时，可以使用合成图像进行图像增强，以缓解数据稀缺性并简化数据集的准备工作。我们将量子计算与 GAN 集成，构建一种混合量子-经典 GAN，用于生成两种不同钢材微结构相位的复杂 5 通道电子背散射衍射（EBSD）图像。通过在大型 Wasserstein GAN（WGAN）模型的输入层训练量子电路，我们缓解了模式崩溃，实现了比基线经典 GAN 更高的图像质量。我们以端到端工作流程生成来自铁素体和碳素体的图像。就最大均值不等式（MMD）分数而言，我们发现混合量子-经典 WGAN 在 70% 的样本中优于经典 Bernoulli GAN。由于量子计算机是训练过程的一部分，本方法有望扩展到更多量子比特。我们的结果表明，基于量子电路 ansatz 的 WGAN 模型可能有效应用于提高基于量子模拟器和实际量子硬件的合成 EBSD 图像质量。
引用
@article{arxiv.2504.08728,
title = {End-to-End Demonstration of Quantum Generative Adversarial Networks for Steel Microstructure Image Augmentation on a Trapped-Ion Quantum Computer},
author = {Samwel Sekwao and Jason Iaconis and Claudio Girotto and Martin Roetteler and Minwoo Kang and Donghwi Kim and Seunghyo Noh and Woomin Kyoung and Kyujin Shin},
journal= {arXiv preprint arXiv:2504.08728},
year = {2025}
}
备注
15 pages, 6 figures