量子 Wasserstein 生成对抗网络
提出了一种基于量子 Wasserstein GAN 的新型混合经典 - 量子方法,克服了当前方法集中生成已存在于输入集合并在训练时间中见过的类状态的限制,可以学习掌握所提供的状态的测量期望函数,并生成新的未包含在输入集合中但期望遵循相同底层函数的状态。
Sep, 2023
本研究提出了一种新的量子生成对抗网络(QuGANs),其中生成器和鉴别器配备了量子信息处理器,当数据由量子状态或经典数据组成时,该方法达到唯一固定点使生成器产生与数据相同的统计数据。
Apr, 2018
训练和推断量子机器学习模型的需求不断增长,为此我们提出了一种水印技术,利用在 qGAN 的训练阶段嵌入的噪声特征作为一种非侵入式的水印,用来追踪训练所使用过的具体量子硬件,从而提供强有力的所有权证明,并开发了一个机器学习分类器来提取这个水印,从而鉴定模型的真实性。
Apr, 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
本论文介绍了生成对抗网络(GAN)模型的数学原理及其训练难度,引入了 Wasserstein GAN,采用一种平滑的度量方法来度量两个概率分布之间的距离,以提高 GAN 的训练效果。
Apr, 2019
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
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
该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据,而且可以限制研究者的操作,以评估某种统计方法在特定数据集上的性能,从而提高研究的可靠性。
Sep, 2019