LSTM-QGAN：面向可扩展 NISQ 量子生成对抗网络
量子物理
2025-01-10 v2 信号处理
摘要
当前量子生成对抗网络（QGAN）在实际数据规模方面仍面临挑战。首先，许多 QGAN 使用主成分分析（PCA）进行维度压缩，而我们研究发现，这会削弱 QGAN 的效能。其次，采用将输入分割为较小补丁并由多个生成器处理的方法，存在可扩展性问题。本文提出了 LSTM-QGAN，这是一种消除 PCA 预处理并集成量子长短期记忆（QLSTM）以确保可扩展性能的 QGAN 架构。我们的实验表明，LSTM-QGAN 在性能和可扩展性方面显著优于最先进的 QGAN 模型，实现了视觉数据改进、降低了 Fréchet 意象距离（FID）分数，并在量子比特数、单量子门和双量子门方面分别降低了 5 倍、5 倍和 12 倍。
关键词
引用
@article{arxiv.2409.02212,
title = {LSTM-QGAN: Scalable NISQ Generative Adversarial Network},
author = {Cheng Chu and Aishwarya Hastak and Fan Chen},
journal= {arXiv preprint arXiv:2409.02212},
year = {2025}
}