量子生成网络QC-AAN Generation of High-

Rudolph M S, Toussaint N B, Katabarwa A, et al. Generation of high-resolution handwritten digits with an ion-trap quantum computer[J]. Physical Review X, 2022, 12(3): 031010.

论文导读

很早刚接触量子计算的时候，想做纯的量子GAN生成图像，但不知道如何做。在基态上测量一次，得到的会是比特串，这样对于梯度的传播不是很好，因为量子网络中的梯度传播是根据期望来传播的。且想要生成实际的大图像需要的量子比特数量很多。后来这个想法就搁置了。最近看到这篇文章，把量子和经典结合，并利用真实量子计算机生成高分辨率的图像。本文借鉴Associated Adversarial Network，量子部分使用QCBM生成随机的比特串噪声，输入到GAN的G中，经典部分则是训练常见的GAN，使其生成手写数字。

模型结构

QC-AAN

• 左边是基于multibasis的QCBM，一个量子生成模型，最后在基上测量，可以生成比特串。
• 右边是常见的GAN。
• 二者结合的思想来源于Associated Adversarial Network，但是这个思想在经典的生成模型中，好像用的很少，最早在2016年就提出来了。AAN的思路就是用一个网络去学习先验噪声的分布，而不是直接从正态分布中取。

Multibasis Quantum Circuit Born Machines

QCBM就是一个简单的参数化量子线路，最后在计算基底上测量，按一定的概率分布得到相应的比特串。
本文提出一个想法，单纯的训练一个QCBM，其实是训练了很多族样本分布，只需要在训练好的模型后面增加一些固定或者带参数的门，把模型的末态转换到其他的态上，则生成一族新的概率分布。（这种思路和神经网络中，使用相同的backbone提取特征，用不同的后续网络处理数据有些类似。）有两族不同的分布，就可以增加采样得到比特串的长度，直接拼接就好。模型共8个qubit，每次测量得到长度为8的bit串，输入到GAN中生成图像。

• ，对经过训练的QCBM，直接在基态上测量得到的结果。
• ，在QCBM后面添加一层参数固定的门之后，在基态上测量得到的结果。
• ，在QCBM后面添加一层参数可训练的门之后，在基态上测量得到的结果。

作者在把得到的直接输入GAN时，输入长度为8，后面还有把在第二族上测量结果和第一族拼接，输入的长度为16。

实验结果

模拟实验结果

使用Inception Score作为评价指标，越高越好。