如何增强噪声信息的量子生成对抗学习

量子机器学习是当今机器学习与量子信息科学的交汇领域。为实现这一面向新型量子技术的新范式,在提出可切实解决真实问题的新算法之前,我们仍须更深入地理解其底层机制。在此背景下,量子生成对抗学习是一种利用量子器件进行量子估计或生成式机器学习任务的有前景策略。然而,其训练过程的收敛行为——这对在量子处理器上的实际实现至关重要——尚未被详细研究。本文中我们确实展示了优化过程中可能出现的不同训练问题,例如极限环的出现。后者在混合量子态情形下会显著延长收敛时间,而混合量子态在已有的含噪中等规模量子器件中起着关键作用。接着,我们提出在任何工作 regime 下实现更快收敛的新策略。我们的结果为这类混合经典-量子协议的新的实验演示铺平了道路,从而能够评估其相对于经典对应物的潜在优势。