Re-QGAN：一种优化的对抗式量子线路学习框架
量子物理
2022-09-07 v2
摘要
对抗学习是一种生成数据统计的强大技术。由于连通性限制、量子操作保真度有限，以及为获得统计相关结果而对量子处理器的有限访问，其在量子计算平台上的成功实现并不简单。通过约束量子操作数量并提供低编译成本的设计，我们提出了一种量子生成对抗网络设计，该设计使用实希尔伯特空间作为生成模型的框架，并采用一种将经典信息编码到量子框架中的新策略。我们考虑基于变分量子线路的量子生成器与判别器架构。我们通过球极投影编码经典信息，这使我们能够使用整个经典域而无需归一化过程。对于低深度 ansätze 设计，我们考虑将实希尔伯特空间作为量子对抗博弈的工作空间。该架构在保持浅深度量子线路和精简参数集的同时，改进了最先进的量子生成对抗性能。我们在低资源条件下测试了我们的设计，以 MNIST 作为参考数据集生成手写数字。我们仅用 15 个 epoch 在 2、3 和 4 量子比特的实希尔伯特空间中生成了未被检测出的数据（数字）。我们的设计使用了基于超导的量子处理器中确立的本地量子操作，并且与基于离子阱的架构兼容。
引用
@article{arxiv.2208.02165,
title = {Re-QGAN: an optimized adversarial quantum circuit learning framework},
author = {Sandra Nguemto and Vicente Leyton-Ortega},
journal= {arXiv preprint arXiv:2208.02165},
year = {2022}
}