量子生成对抗自编码器：学习用于量子数据生成的潜在表示
量子物理
2025-09-22 v1 机器学习
机器学习
摘要
在本工作中，我们引入了量子生成对抗自编码器（QGAA），一种用于生成量子数据的量子模型。QGAA 由两个组件组成：用于压缩量子态的量子自编码器（QAE），以及用于学习已训练 QAE 潜在空间的量子生成对抗网络（QGAN）。该方法赋予了 QAE 生成能力。QGAA 的效用通过两个代表性场景得到证明：纯纠缠态的生成，以及 H 和 LiH 参数化分子基态的生成。在多达 6 个量子比特的模拟中，训练后的 QGAA 估计能量的平均误差对于 H 为 0.02 Ha，对于 LiH 为 0.06 Ha。这些结果展示了 QGAA 在量子态生成、量子化学和近期量子机器学习应用中的潜力。
引用
@article{arxiv.2509.16186,
title = {Quantum Generative Adversarial Autoencoders: Learning latent representations for quantum data generation},
author = {Naipunnya Raj and Rajiv Sangle and Avinash Singh and Krishna Kumar Sabapathy},
journal= {arXiv preprint arXiv:2509.16186},
year = {2025}
}
备注
27 pages, 28 figures, 4 tables, 1 algorithm