连续分布量子生成对抗网络的噪声鲁棒性及实验演示
量子物理
2021-04-05 v2 机器学习
摘要
量子计算机中机器学习的潜在优势是文献中激烈讨论的话题。很可能需要通过理论、数值和实验探索来理解其能力。已有不同算法被提出以利用变分量子电路的概率性质进行生成建模。在本文中，我们采用量子生成对抗网络（QGANs）的混合架构，并研究它们在噪声存在下的鲁棒性。我们设计了一种向量子生成器电路添加不同类型噪声的简单方法，并对噪声混合量子生成对抗网络（HQGANs）进行数值模拟以学习连续概率分布，表明 HQGANs 的性能不受影响。我们还研究了不同参数对训练时间的影响，以降低算法的计算标度并简化其在量子计算机上的部署。然后我们在 Rigetti 的 Aspen-4-2Q-A 量子处理单元上执行训练，并给出训练结果。我们的结果为在含噪声中等规模量子设备上实验探索不同量子机器学习算法铺平了道路。
引用
@article{arxiv.2006.01976,
title = {Noise robustness and experimental demonstration of a quantum generative adversarial network for continuous distributions},
author = {Abhinav Anand and Jonathan Romero and Matthias Degroote and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:2006.01976},
year = {2021}
}