量子生成建模中的可训练性障碍与机遇

量子生成模型提供了固有的高效采样策略，因而在利用量子硬件实现优势方面展现出前景。本工作中，我们研究了贫瘠高原与指数级损失集中给量子生成模型可训练性带来的障碍。我们探讨了显式与隐式模型及损失之间的相互作用，并表明使用具显式损失（如 KL 散度）的量子生成模型会导致一种新类型的贫瘠高原。相比之下，隐式最大均值差异损失可视为一个可观测量的期望值，该可观测量根据核的选择要么是低体（low-bodied）且可证明可训练的，要么是全局且不可训练的。同时，我们发现仅低体隐式损失一般无法区分目标数据中的高阶关联，而某些量子损失估计策略可以。我们通过对来自高能物理的数据建模比较不同损失函数，验证了我们的发现。