基于量子生成对抗网络的数据重构

doi:10.3778/j.issn.1002-8331.2211-0363

摘要/摘要

摘要：使用神经网络实现数据重构是人工智能领域一项十分重要的研究课题。生成对抗网络（生成性对抗网络，GAN）作为近年来人工智能的热门算法，在完成数据重构任务中有较好的表现。量子计算作为一种能够加速经典计算的新型计算模式，正不断地与经典人工智能算法相融合。其中，量子生成对抗网络（量子生成对抗网络，QGAN）在图像相关任务中具有良好的表现，但是量子模型的拟合能力还有待提高。故此，提出了一种基于甘框架的量子-经典混合生成对抗网络（Q-CGAN）用于实现数据重构任务。该框架利用经典网络的非线性提高拟合效果，利用量子特性提供量子加速。使用MNIST公司手写数据集对比验证了量子模型和混合模型的重构效果，结果显示，Q-CGAN公司较纯量子生成器在数据重构过程中具有更好的表现。此外，还研究了混合模型中使用不同量子编码方案和不同参数化量子线路对数据重构效果的影响。

关键词: 量子计算, 混合生成对抗网络, 数据重构

摘要：利用神经网络进行数据重建是人工智能领域的一个非常重要的研究课题。生成性对抗网络（GAN）作为近年来人工智能领域的一种流行算法，在完成数据重构任务方面具有良好的性能。量子计算作为一种能够加速经典计算的新计算模式，正不断与经典人工智能算法融合。其中，纯量子生成对抗网络（QGAN）在图像相关任务中具有良好的性能。然而，由于量子模型中的拟合能力仍有待提高，本文提出了一种基于GAN框架的混合生成对抗网络（Q-CGAN）来实现数据重建任务。该框架利用经典非线性来改善拟合性能和量子特性，以提供量子加速。使用MNIST手写数据集比较并验证该网络中混合模型的重建效果，结果表明Q-CGAN在数据重建过程中比纯量子发生器具有更好的性能。此外，还研究了在混合模型中使用不同的量子编码方案和不同的参数化量子电路对数据重建效果的影响。

关键词： 量子计算，混合生成对抗网络，数据重建

江奕达, 王明明. 基于量子生成对抗网络的数据重构[J] ●●●●。计算机工程与应用, 2024, 60(5): 156-164.

姜义达、王明明。基于量子生成对抗网络的数据重建[J]。计算机工程与应用，2024,60（5）：156-164。

参考文献

[1] GOODFELLOW I，POUGET-ABADIE J，MIRZA M，等.生成性对抗网络[J]。ACM通信，2020，63（11）：139-144。
[2] 韩C，HAYASHI H，RUNDO L，等.基于GAN的合成脑MR图像生成[C]//2018 IEEE第15届国际生物医学成像研讨会（ISBI 2018），2018:734-738。
[3] YU X，QU Y，HONG M.水下GAN:基于条件生成对抗网络的水下图像恢复[C]//模式识别国际会议论文集，2018:66-75。
[4] CHEREPKOV A，VOYNOV A，BABENKO A.导航用于语义图像编辑的GAN参数空间[C]//IEEE/CFF计算机视觉和模式识别会议论文集，2021:3671-3680。
[5] 刘蓉，王旭，卢赫，等.基于CGAN的风格与字符修复[J]。移动网络和应用，2021，26（1）：3-12。
[6] ZHU Y，ZHANG Y，YANG H，et al.GANCoder：基于GAN[C]//CCF自然语言处理与中文计算国际会议的自动自然语言到编程语言翻译方法，2019:529-539。
[7] 张帅勇, 刘美琴, 姚超, 等. 分级特征反馈融合的深度图像超分辨率重建[J] ●●●●。自动化学报. 2022, 48(4): 992-1003.
张世西，刘明Q，姚C，等。用于深度超分辨率重建的层次特征反馈网络[J]。自动化学报，2022，48（4）：992-1003。
[8] 杨才东, 李承阳, 李忠博, 等. 深度学习的图像超分辨率重建技术综述[J] ●●●●。计算机科学与探索, 2022, 16(9): 1990-2010.
YANG C D，LI C Y，LI Z B，等.基于深度学习的图像超分辨率重建算法综述[J]。计算机科学与技术前沿杂志，2022，16（9）：1990-2010。
[9] 钟梦圆, 姜麟. 超分辨率图像重建算法综述[J] ●●●●。计算机科学与探索, 2022, 16(5): 972-990.
钟敏毅，姜磊.超分辨率图像重建算法综述[J]。计算机科学与技术前沿杂志，2022，16（5）：972-990。
[10] DONG C，LOY C C，HE K，等.基于深度卷积网络的图像超分辨[J]。IEEE模式分析和机器智能汇刊，2015，38（2）：295-307。
[11] DONG C，LOY C，TANG X.加速超分辨率卷积神经网络[C]//欧洲计算机视觉会议论文集，2016:391-407。
[12] SHI W，CABALLERO J，HUSZáR F，等.利用高效亚像素卷积神经网络实现实时单图像和视频超分辨率[C]//IEEE计算机视觉与模式识别会议论文集，2016:1874-1883。
[13] KIM J，LEE J K，LEE K M.使用极深卷积网络实现精确图像超分辨率[C]//IEEE计算机视觉和模式识别会议论文集，2016:1646-1654。
[14] LIM B，SON S，KIM H等。用于单图像超分辨率的增强深度残差网络[C]//IEEE计算机视觉和模式识别研讨会论文集，2017:136-144。
[15] 杨峰，杨辉，傅杰，等.图像超分辨率学习纹理变换网络[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2020：5791-5800。
[16] LIU C，LI H，LIANG Z，等.一种新的基于深度学习的参考图像超分辨率增强纹理变换网络[J]。电子学，2022，11（19）：3038。
[17] 谢伟，黄涛，王明明.MNSRNet：用于三维表面超分辨率的多模变压器网络[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2022:12703-12712。
[18] LEDIG C，THEIS L，HUSZáR F，et al.使用生成对抗网络的真实感单幅图像超分辨率[C]//IEEE计算机视觉和模式识别会议论文集，2017:4681-4690。
[19] SHOR P W.量子计算算法：离散对数和因子分解[C]//第35届计算机科学基础年会论文集，1994:124-134。
[20] JOZSA R.Grover算法中的搜索[J]。arXiv:quantum-physics/99010211999。
[21]张明，董磊，曾毅，等.HHL算法的改进电路实现及其在QISKIT上的仿真[J]。科学报告，2022，12（1）：1-12。
[22]AHMED S.在近期量子处理器上使用量子支持向量机（QSVM）进行模式识别[D]。达卡：布拉克大学，2019年。
[23]LLOYD S，MOHSENI M，REBENTROST P.量子主成分分析[J]。《自然物理学》，2014，10（9）：631-633。
[24]AMIN M H，ANDRIYASH E，ROLFE J，等.量子玻尔兹曼机[J]。《物理评论》X，2018，8（2）：21050。
[25]是吗？MEUR E，BRASSARD G，GAMBS S.量子聚类算法[C]//第24届机器学习国际会议论文集，2007:1-8。
[26]BIAMONTE J，WITTEK P，PANCOTTI N，等.量子机器学习[J]。《自然》，2017，549:195-202。
[27]BENEDETTI M，LLOYD E，SACK S等。作为机器学习模型的参数化量子电路[J]。量子科学与技术，2019，4（4）：43001。
[28]PRESKILL J.NISQ时代及以后的量子计算[J]。arXiv:1801.008622018。
[29]KERENIDIS I，LANDMAN J，PRAKASH A.深度卷积神经网络的量子算法[J]。arXiv:1911.011172019。
[30]PANDIAN A，KANCHANADEVI K，MOHAN V C，等.用于图像分类的量子生成对抗网络和量子神经网络[C]//2022国际可持续计算与数据通信系统会议，2022:473-478。
[31]董德，陈C，李华，等.量子强化学习[J]。IEEE系统、人与控制论汇刊（B部分），2008，38（5）：1207-1220。
[32]HUR T，KIM L，PARK D K。经典数据分类的量子卷积神经网络[J]。量子机器智能，2022，4（1）：1-18。
[33]黄赫，杜毅，龚美，等.用于图像生成的实验量子生成对抗网络[J]。应用的物理审查，2021，16（2）：24051。
[34]颜F，VENEGAS-ANDRACA S E，HIROTA K。在量子计算机上实现高效图像处理算法[J]。软计算，2022:1-13。
[35]王Z，徐敏，张勇.量子图像处理综述[J]。工程计算方法档案，2022，29（2）：737-761。
[36]LIU Z W，WANG L，CUI M.基于灰度形态学的量子图像分割[J]。IEEE量子工程学报，2022年，3:1-12。
[37]颜峰，赵S，VENEGAS-ANDRACA S E，等.利用量子图像实现双线性插值[J]。数字信号处理，2021，117:103149。
[38]NIU M Y，ZLOKAPA A，BROUGHTON M，等.纠缠量子生成对抗网络[J]。《物理评论快报》，2022，128（22）：220505。
[39]STEIN S A，BAHERI B，CHEN D，等.量子态生成性对抗网络[J]。arXiv:2010.090362020年。
[40]RUDOLPH M S，TOUSSAINT N B，KATABARWA A，等.用离子阱量子计算机生成高分辨率手写数字[J]。《物理评论》X，2022，12（3）：31010。
[41]王M，姜瑜.基于量子神经网络的数据重建[J]。arXiv:2209.057112022。
[42]WU C，QI B，CHEN C，ET AL.量子幺正变换的鲁棒学习控制设计[J]。IEEE控制论汇刊，2016，47（12）：4405-4417。
[43]SIM S，JOHNSON P D，ASPURU GUZIK A.混合量子经典算法参数化量子电路的可表达性和纠缠能力[J]。先进量子技术，2019，2（12）：1900070。
[44]LECUN Y，BOTTOU L，BENGIO Y，等.基于梯度的学习在文档识别中的应用[J]。IEEE会议记录，1998，86（11）：2278-2324。
[45]周恩，张涛，谢X，等.基于学习离散分布的混合量子经典生成对抗网络图像生成[J]。信号处理：图像通信，2022:116891。
[46]李杰，李斌，徐杰，等.基于全连通网络的图像编码帧内预测[J]。IEEE图像处理汇刊，2018，27（7）：3236-3247。
[47]刘杰，LIM K H，WOOD K L，等.混合量子经典卷积神经网络[J]。科学中国物理、力学与天文学，2021，64（9）：1-8。
[48]NGUEMTO S，LEYTON-ORTEGA V.Re-QGAN:一种优化的对抗性量子电路学习框架[J]。arXiv:2208.021652022。