摘要 量子机器学习是当今机器学习 (ML) 与量子信息科学的交汇点。为了将这一新范式应用于新型量子技术，我们仍然需要对其底层机制有更深入的了解，然后才能提出新算法来解决实际问题。在这种情况下，量子生成对抗学习是一种很有前途的策略，可用于将量子设备用于量子估计或生成 ML 任务。然而，其训练过程的收敛行为尚未得到详细研究，而这对于其在量子处理器上的实际实现至关重要。事实上，我们在这里展示了在优化过程中可能出现的不同训练问题，例如极限环的出现。在混合量子态在已有的嘈杂中尺度量子设备中起关键作用的情况下，后者可能会显著延长收敛时间。然后，我们提出了新的策略，以在任何操作范围内实现更快的收敛。我们的结果为这种混合经典量子协议的新实验演示铺平了道路，允许评估相对于经典协议的潜在优势。