随机安全性作为量子增强生成式 AI 的性能度量
机器学习
2025-02-20 v2 人工智能
最优化与控制
量子物理
摘要
受量子计算机在连续实值函数的 Gibbs 采样中应用的启发，我们探究此类算法能否为基于经典数据训练的机器学习模型提供实际优势，并寻求量化此类影响的度量。在本研究中，我们聚焦于深度基于能量的模型（EBM），因其训练与推断均需连续域 Gibbs 采样。在缺乏可执行量子 Gibbs 采样算法的容错量子计算机的情况下，我们采用扩散过程的蒙特卡洛模拟作为经典替代方案。更具体地，我们研究朗之万动力学的长程持久链蒙特卡洛模拟是否能提升 EBM 所实现表示的质量。我们考虑一种方案：利用漂移由能量函数梯度给出的扩散蒙特卡洛模拟，来改善独立分类器网络的对抗鲁棒性与校准分数。我们的结果表明，在持久对比散度中增加 Gibbs 采样的计算预算可同时改善模型的校准与对抗鲁棒性，这为未来大规模量子计算机用于生成式 AI 的量子优势提供了一条潜在途径。
引用
@article{arxiv.2305.07973,
title = {Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI},
author = {Noah A. Crum and Leanto Sunny and Pooya Ronagh and Raymond Laflamme and Radhakrishnan Balu and George Siopsis},
journal= {arXiv preprint arXiv:2305.07973},
year = {2025}
}