基于生成海域图几何性质的混合型 QuGANs 参数效率研究
机器学习
2025-09-03 v3 量子物理
摘要
人工生成数据对于开发、训练和测试新算法的需求无处不在。量子计算(QC)提供了利用其内在概率功能在此领域生成式人工智能中的希望。在本研究中，我们使用量子-经典混合生成式对抗网络(QuGANs)人工生成航线图。我们基于真实航运数据创建训练数据集，调查 QuGANs 能否学习和再现这些数据内在分布和几何特征的程度。我们比较了混合 QuGANs 与经典生成式对抗网络(GANs)，特别关注它们的参数效率。我们的结果表明，QuGANs 确实能够快速学习和表示底层几何特性和分布，尽管它们在引入样本数据的方差方面似乎存在困难。与参数数量更大的经典 GAN 相比，一些 QuGANs 表现出相似的结果质量。我们对具体应用场景，如航运数据的生成，提供了 illustrative example，展示了量子计算(QC)的潜力和多样性。
引用
@article{arxiv.2501.08678,
title = {Investigating Parameter-Efficiency of Hybrid QuGANs Based on Geometric Properties of Generated Sea Route Graphs},
author = {Tobias Rohe and Florian Burger and Michael Kölle and Sebastian Wölckert and Maximilian Zorn and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2501.08678},
year = {2025}
}