互信息最大化的量子生成对抗网络
量子物理
2025-10-02 v2 机器学习
投资组合管理
摘要
在含噪声中等规模量子（NISQ）计算时代，最具前景的应用之一是量子生成对抗网络（QGANs），其在多个领域相较经典机器学习展现出显著的量子优势。然而，QGANs 存在模式崩塌问题，且缺乏对生成输出特征的显式控制。为克服这些局限，我们提出 InfoQGAN，一种将 InfoGAN 原理与 QGAN 架构相融合的新型量子-经典混合生成对抗网络。我们的方法采用变分量子线路进行数据生成、经典判别器，以及互信息神经估计器（MINE）来显式优化潜码与生成样本之间的互信息。在合成二维分布与 Iris 数据集增强上的数值模拟表明，InfoQGAN 有效缓解了模式崩塌，同时在量子生成器中实现了鲁棒的特征解耦。借助这些优势，InfoQGAN 不仅增强了训练稳定性，还通过受控特征生成改善了数据增强性能。这些结果凸显了 InfoQGAN 作为推进 NISQ 时代量子生成建模基础方法的潜力。
引用
@article{arxiv.2309.01363,
title = {Mutual information maximizing quantum generative adversarial networks},
author = {Mingyu Lee and Myeongjin Shin and Junseo Lee and Kabgyun Jeong},
journal= {arXiv preprint arXiv:2309.01363},
year = {2025}
}
备注
11 pages, 7 figures