量子增强生成对抗网络：经典与混合量子-经典生成对抗网络的比较分析
量子物理
2025-08-19 v2 人工智能
机器学习
摘要
生成对抗网络已成为生成高保真数据样本的强大范式，但其性能受限于潜在表示的质量，这些表示通常从经典噪声分布中采样获得。本研究探讨了混合量子-经典GAN（HQCGAN），其中通过参数化量子电路实现的量子生成器为经典判别器生成潜在向量。我们使用带有真实噪声模型以模拟近期量子设备的Qiskit AerSimulator，评估了一个经典GAN以及具有3、5和7个量子比特的三个HQCGAN变体。使用二值MNIST数据集（数字0和1）以符合当前量子硬件所强加的低维潜在空间。模型训练150个epoch，并使用Frechet Inception Distance（FID）和Kernel Inception Distance（KID）进行评估。结果表明，虽然经典GAN取得了最佳分数，但7量子比特的HQCGAN产生了有竞争力的性能，在后期epoch中缩小了差距，而3量子比特模型则表现出较早的收敛限制。效率分析表明，尽管存在量子采样开销，训练时间仅适度增加。这些发现验证了噪声量子电路作为GAN架构中潜在先验的可行性，突出了它们在含噪声中等规模量子（NISQ）时代的约束内增强生成建模的潜力。
引用
@article{arxiv.2508.09209,
title = {Quantum-Enhanced Generative Adversarial Networks: Comparative Analysis of Classical and Hybrid Quantum-Classical Generative Adversarial Networks},
author = {Kun Ming Goh},
journal= {arXiv preprint arXiv:2508.09209},
year = {2025}
}
备注
9 pages, 9 figures, 3 tables