基于量子强化学习的扩散模型图像合成：混合量子-经典生成模型架构
量子物理
2025-09-18 v1 机器学习
摘要
扩散模型通常采用静态或启发式的无分类器指导 (CFG) 计划，难以适应不同时间步和噪声条件下的变化。在本工作中，我们引入一种量子强化学习 (QRL) 控制器，用于动态调整每个去噪步骤中的 CFG。控制器采用混合量子-经典演员-评论家架构：一个带有环形纠缠的浅变分量子电路 (VQC) 生成策略特征，由紧凑的多层感知机 (MLP) 将其映射为 CFG 上的高斯动作，而经典评论家则估计价值函数。该策略使用带有广义优势估计 (GAE) 的近端策略优化 (PPO) 进行优化，奖励函数在分类置信度、感知改进和动作正则化之间进行平衡。在 CIFAR-10 上的实验表明，我们的 QRL 策略在感知质量 (LPIPS、PSNR、SSIM) 上均优于经典 RL 控制器和固定计划，同时参数数量更少。消融研究揭示量子位数和电路深度之间的精度与效率权衡，延长扩散计划的评估表明该方法在长时间步下仍具鲁棒性。
引用
@article{arxiv.2509.14163,
title = {Quantum Reinforcement Learning-Guided Diffusion Model for Image Synthesis via Hybrid Quantum-Classical Generative Model Architectures},
author = {Chi-Sheng Chen and En-Jui Kuo},
journal= {arXiv preprint arXiv:2509.14163},
year = {2025}
}