基于量子 Wasserstein GAN 的工业生物工艺监控合成数据生成
新兴技术
2025-10-21 v1 机器学习
摘要
生物制造领域的数据稀缺与稀疏，给准确模型开发、工艺监控与优化带来了挑战。本文提出利用带梯度惩罚的量子 Wasserstein 生成对抗网络（QWGAN-GP）生成用于工业生物工艺监控的合成时间序列数据。其中，生成器由参数化量子电路（PQC）构成。该方法在工艺监控、建模、预测与优化方面具有潜在优势，能够通过减少对稀缺实验数据的依赖，实现更高效的生物工艺管理。我们的实验结果表明，所生成数据在捕捉真实生物工艺数据的时序动态方面表现可接受。我们聚焦于光密度（Optical Density，OD）这一用于干生物量估计的关键测量指标。生成的数据与实际历史实验数据具有高度忠实度。这一量子计算与机器学习的交叉应用，为数据分析与生成开辟了新前沿，尤其在计算密集型领域具有重要意义，可用于提高软传感器设计或预测控制中的预测精度。
引用
@article{arxiv.2510.17688,
title = {Quantum Synthetic Data Generation for Industrial Bioprocess Monitoring},
author = {Shawn M. Gibford and Mohammad Reza Boskabadi and Christopher J. Savoie and Seyed Soheil Mansouri},
journal= {arXiv preprint arXiv:2510.17688},
year = {2025}
}