清华团队首次实现量子GAN准确率98.8%.pdfVIP

清华团队首次实现量子GAN 准确率98.8% 人工智能1月29 日 量子计算机虽然强大 ，但应用领域有限。清华叉院孙麓岩团队在超导电路上实现了量 子生成对抗网络 ，精度高达 98.8% ，这项工作有望证明量子计算机在图像生成等领域 超越经典计算机 ，将是量子机器学习的又一里程碑。 量子机器学习的新里程碑 ！ 清华大学孙麓岩团队提出了 “量子版”的生成对抗网络 ，并且证明了与经典的对 应方法相比 ，具有潜在的 “指数级”优势。 最近 ，孙麓岩团队的研究登上了 Science Advances ，论文首次介绍了超导量子 电路中量子生成对抗学习的原理证明及实验演示。 研究结果表明 ，经过几轮对抗学习 ，可以训练一个量子态的发生器 ，对量子信道模拟 器输出的量子数据进行统计复制 ，并且具有 98.8%的高保真度 ，使得鉴别器无法区分 真实数据和生成数据。 值得注意的是 ，证明 “量子霸权”通常被认为需要至少 50 个量子比特 ，但该团 队的研究使用的系统只有一个量子比特。 首次证明量子计算能利用 GAN 生成对抗网络 （GAN ）由两个神经网络构成 ，即生成器和鉴别器。 生成器会生成数据 ，例如人脸图片 ；鉴别器既可以得到真实数据 ，也可以得到生 成器创建的假数据 ，而且必须分辨出真假。它俩经过多轮的循环 ，最终生成器得到了 更新 ，学会了如何产生更为逼真的图像 ，使得鉴别器无法再区分其真假。 而 GAN 也是近年来机器学习领域最令人兴奋的突破之一。它在图像、视频生成 等各种具有挑战性的任务中表现突出 ，例如 ，能够生成无比逼真的人脸照片 ，以假乱 真。 GAN 生成的照片 从理论上讲 ，量子计算机在解决某些问题 （如分解大数 ）方面比普通计算机具有 速度优势。 “但就目前的技术水平而言 ，量子计算机还无法达到这一优势。”孙麓岩说。 研究人员认为 ，量子计算机上的 GAN 也可能具有这样的速度优势 ，但他们仍然 需要明确证明这一点。 于是 ，利用量子生成器和鉴别器制造出一种量子 GAN ，成为证明 “量子霸权” 的又一案例。 量子生成对抗网络 QGAN ：准确率 98.8% 孙麓岩团队实验性地演示了生成对抗网络的量子版本——QGAN ，其中输入和输 出数据都是量子比特。 生成器 G 由一个超导电路构成 ，能够生成一个随机纯量子态的集合ρ ，模拟真正 的量子数据σ。其中 ，输入的量子数据由一个数字量子比特信道模拟器随机生成。 鉴别器 D则由一个专门衡量相关映射的量子设备构成 ，能够生成衡量映射的结果 M。 接下来的过程就与普通的生成对抗网络 (GAN) 一样 ，生成器 G 不断生成虚拟数 据ρ ，然后鉴别器 D则不断生成衡量ρ和衡量σ的结果 ，试图区分ρ 和σ ，反过来优化 生成器的生成结果 ，最终致使 D 无法区分ρ 和 σ。 量子生成对抗网络 QGAN 的示意图 ：(a) 量子生成器 G 和量子鉴别器 D ，G 生成一个 模拟量子态ρ ，真实量子态σ则由模拟器随机生成 ；(b) D 得到输入数据后 ，通过衡量 机制判断模拟数据ρ 和真实量子态σ 的不同。 研究人员构建的这个量子 GAN 算法执行示意图如下 ： σ 作为原始量子数据 ，ρ 作为模拟量子态分布 ，所以是一个概率分布。其中 ， 衡量结果的差异β 和γ 通过 FPGA 阵列实现。 QGAN 算法的实验协议 实验证实了生成器确实能够学会数据量子数据的模式 (pattern) ，并生成几乎与 真实量子数据一样的量子态。 不仅如此 ，研究人员在论文中指出 ，他们最高能够取得 98.8%的准确率。 量子计算机有望在图像生成上实现量子霸权 研究人员得出结论 ，由于 QGAN 实验中既不需要量子随机存储设备 ，也不需要 通用量子计算设备或对任何参数进行微调 ，因此可以认为 ，在不远的未来 ，量子设备 就能实现可用的、含有噪音的中型量子应用。 什么是 “含有噪音的中型量子” ？去年 ，加州理工大学理论物理学家、 “量子霸 权 ”概念提出者 John Preskill 指出 ，在实现 50~100 量子比特的中型量子计算 机后 ，人类就可以用其探索更多经典计算机无法探索的研究领域 ，也将由此迈进一个 新 的 量 子 技 术 发 展 期 ，他 将 其 称 之 为 “含 噪 声 的 中 型 量 子 ” (Noisy Intermediate-Scale Quant