经典 GAN 与混合隐式风格量子 GAN 的指数容量缩放对比

量子生成建模是在数据分析中寻找实用优势的一个非常活跃的研究领域。量子生成对抗网络（QGAN）是量子生成建模的领先候选者，已应用于从高能物理到图像生成的各个领域。基于隐式风格的 QGAN 依赖经典变分自编码器将输入数据编码到隐空间，然后使用基于风格的 QGAN 进行数据生成，已被证明在图像生成或药物设计方面是高效的，暗示其使用远少于经典对应物的可训练参数即可达到相当的性能，然而这一优势从未被系统研究过。我们在本文中首次对 QGAN 应用于 SAT4 图像生成的这一优势进行了全面的实验分析，在混合隐式风格 QGAN 架构中获得了量子生成器在容量缩放上的指数优势。仔细调整自编码器对于获得稳定、可靠的结果至关重要。一旦完成此调整并将训练最优性定义为训练稳定且 FID 分数低且稳定时，经典判别器的最优容量（或可训练参数数量）相对于量子生成器的容量呈指数级缩放，经典生成器的容量也是如此。这暗示了一种量子生成建模的量子优势。