用量子增强变分自编码器学习困难分布

量子生成机器学习中的一个重要任务是建模多体量子系统测量的概率分布。经典生成模型，如生成对抗网络（GANs）和变分自编码器（VAEs），可以高保真度地建模乘积态的分布，但在建模纠缠态时失败或需要指数数量的参数。在本文中，我们引入了一种量子增强VAE（QeVAE），这是一种生成式量子-经典混合模型，利用量子相关性提高相对于经典VAE的保真度，同时仅需要线性数量的参数。我们给出了QeVAE输出分布的闭式表达式。我们还通过实验表明，QeVAE在几类量子态（如4量子比特和8量子比特电路态、Haar随机态和量子 kicked rotor 态）上优于经典模型，对于某些态保真度提高了2倍以上。最后，我们发现训练后的模型在IBMq Manila量子计算机上执行时优于经典模型。我们的工作为量子生成学习算法的新应用以及高维量子态测量分布的表征铺平了道路。