本文研究如何在量子领域扩展敌对训练的概念，并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度，同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型，并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。

Apr, 2018

提出了一种用于改进生成对抗网络（GAN）的混合量子 - 经典架构（QC-GAN），通过与传统神经网络和量子变分电路的结合，实现了比经典 GAN 更好的性能，在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。

Feb, 2024

本研究论文探索了在生成对抗网络（GANs）领域中将经典计算和量子计算范式融合的创新性方法，通过将量子计算元素无缝集成到传统 GAN 架构中，从而在增强训练过程方面开辟了新的途径。我们从量子位（qubits）的内在特性中获取灵感，深入研究了在 GAN 框架中融合量子数据表示方法。通过利用独特的量子特性，我们旨在加速 GAN 的训练过程，为生成模型的优化提供新的视角。本研究涉及理论考虑，并评估量子优势在训练效率和生成质量方面的潜在体现。我们应对了量子和经典结合所固有的挑战，解决了与量子硬件限制、误差校正机制和可扩展性相关的问题。这项研究处于量子增强机器学习的前沿，是在利用量子系统的计算能力加速生成对抗网络的训练方面迈出的关键一步。通过对经典和量子领域界面的全面研究，我们旨在揭示促进这一领域创新和推动量子机器学习前沿的转变性观点。

Dec, 2023

本文报告了量子对抗学习在超导量子电路中的首次实验演示，证明量子状态生成器可以通过几轮对抗学习来复制数字 qubit 信道模拟器输出的量子数据统计，并实现计算机模拟器真假数据的高保真度。结果为噪声中等规模量子设备在机器学习任务上探索量子优势铺平了道路。

Aug, 2018

使用可编程硅量子光子芯片，我们首次在光子学中实验性地演示了 QGAN 模型，并研究了噪声和缺陷对其性能的影响。我们的结果显示，即使在生成器的相移器的一半受损，或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下，QGAN 可以生成高质量的量子数据，保真度超过 90％。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。

Oct, 2023

本文介绍了一种利用量子生成对抗网络（qGANs）和概率分布学习来实现快速、近似的量子态加载的混合量子 - 经典算法，并通过量子模拟和 IBM Q Experience 上的实际量子处理器测试实现。最后，在量子金融应用中展示了所训练的量子通道的使用。

Mar, 2019

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

提出了第一个设计的量子 Wasserstein 生成对抗网络（WGANs），它已被证明在嘈杂的量子硬件上提高了量子生成模型的鲁棒性和可扩展性，即使是在经典模拟量子系统上也表现出了更为稳健和可扩展的数值性能，实现了一个近似于需要超过 10k 门的标准技术的 3 量子比特 1-d 哈密顿模拟电路的 50 门量子电路的生成。

Oct, 2019

提出了一种混合量子 - 经典条件生成对抗网络算法（QCGAN），通过在生成器和判别器中输入人工条件信息实现了稳定的生成过程和人机交互计算模式，该算法在量子云计算平台上进行实验，结果表明它能够在训练后有效地收敛到纳什均衡点并进行面向人的分类生成任务。

Sep, 2023

本文研究了如何在仿射神经网络中量化生成对抗神经网络并提出了一种基于 EM 算法的 QGAN 方法方法，同时还提出了一种多精度算法，可帮助找到量化 GAN 模型的最佳位数以及相应的结果质量。实验结果表明，QGAN 可将 GAN 量化为 1/2 比特表示，结果质量与原始模型相当。

Jan, 2019