本文介紹的論文是IBM和摩根大通的聯合研究論文《Quantum Generative Adversarial Networks for Learning and Loading Random Distributions》，該論文使用量子機器學習來以少量閘重現任意機率分佈。具體來說，它使用量子對抗生成網路（QGAN）來創建機率分佈。
GAN
首先讓我們從解釋什麼是對抗生成網路（GAN）開始。經典GAN是一種無監督機器學習，它通過競爭訓練稱為生成器的偽數據生成部分和稱為判別器的偽數據識別部分。這些生成器和判別器由神經網路構成。GAN的原始論文以及經典GAN主要應用於生成不存在的圖片。生成器部分生成圖片，而判別器部分推測它是原始數據還是偽生成圖片。GAN被稱為無監督學習，是因為它可以生成類似於輸入資訊圖片的圖片，而無需提供輸入圖片組的標籤資訊（例如，狗或貓）。雖然判別器似乎需要正確答案來「識別」數據是偽數據還是原始數據，但所有輸入數據都可以定義為正確標籤（原始數據），因此不需要像監督學習那樣預先對輸入數據進行標記。現在，GAN研究已經發展，可以應用於以下用途：
- 從低品量圖片生成高品質圖片
- 從文字資料生成圖片
- 從原始圖片生成具有不同特徵的圖片（例如，將繪畫轉換為照片風格）
- 生成圖片以外的內容（影片、音樂、文字等）
為什麼在重現機率分佈時使用QGAN？
本文的目標是在量子狀態中有效地表示機率分佈。與上一篇文章相比，我們將展示使用QGAN的方法可以用較少的閘數表示機率分佈。如前面解釋的經典GAN，GAN通常被認為是用於圖片生成，但本質上它是在重現原始數據的機率分佈。由於我們想在量子狀態中表示機率分佈，我們考慮將生成機率分佈的生成器部分替換為量子版本。（只替換生成器部分是因為訓練完成後只使用生成器部分來生成量子狀態。通常，判別器只用於模型訓練。）因此，在QGAN中，生成器是量子神經網路部分，而判別器是經典神經網路部分。量子神經網路部分可以通過變分量子電路（Variational Quantum Circuit; VQC）實現。因此，QGAN的整體架構如下所示。量子部分的生成器和經典部分的判別器在學習過程中相互競爭。
Reference
- https://www.nature.com/articles/s41534-019-0223-2
