机构名称：
¥ 1.0
在开创性论文 [1] 和 [2] 中已开展和详述的工作的基础上，本项目的目的是弥合经典生成对抗网络 (GAN) 和量子生成对抗网络 (QGAN) 之间的差距，通过按照 [3] 中描述的工作生成图像形式的高维数据来合成真实数据（本工作中为图像）。此外，这项工作将研究我们是否可以在近期量子设备（即所谓的嘈杂中等规模量子 (NISQ) 设备）上实验实现真实世界图像的学习和生成，[3] 中提出的当前框架声称它们确实可以做到这一点。这项工作的第一部分将是利用 [1]、[2] 和 [3] 中提出的框架或类似框架，并应用它们来学习从开源人脸数据集（例如 Flickr-Faces-HQ (FFHQ) 或 CelebA，它们都是高质量的人脸图像数据集）中生成全分辨率的人脸图像。此外，还要研究使用量子电路作为生成器的 QGAN 是否可以在不进行降维或传统预处理/后处理的情况下成功生成人脸图像（由于颜色和不规则图像结构的存在，人脸图像是更复杂的图像类型）。这项工作的第二部分将涉及将生成的图像的输出与通过传统 GAN 生成的图像的输出进行比较，并研究 QGAN 方法与传统 ML 方法相比的效率如何。由于高效的量子算法可以解决线性方程，预计 QGAN 可以在比 GAN 更短的时间内学习数据分布。通过比较两种 ML 方法的效率，可以确定是否存在量子优势以及优势的程度。如果开发了任何新的量子算法，那么在设计阶段，人们通常会使用纸笔、非量子语言的 Python 研究代码，理想情况下，还会使用量子语言实现算法的某些部分，例如 IBM Quantum Lab 的 Qiskit 或 Xanadu 的 Pennylane 的量子计算开源框架，并提供 PyTorch 接口（参见 [4]）。关键项目目标最初 3 个月 2024 年 1 月 1 日 – 2024 年 3 月 31 日
量子生成机器学习细节和指导
主要关键词
相关文件推荐
