量子机器学习的突破！首次实现量子-经典生成算法
光子盒研究院出品
生成高质量数据（如图像、视频）是无监督机器学习中最令人兴奋、最具挑战性的前沿之一。在这类任务中利用量子计算机来增强经典机器学习算法极具前途，但由于可用设备中量子比特数量有限，加上门噪声，存在着巨大的应用挑战。
近日，Zapata Computing的科学家Manuel S. Rudolph等人联合IonQ的Sonika Johri，首次实验实现量子-经典生成算法，该算法能够使用基于门的量子计算机生成手写数字的高分辨率图像。他们在量子辅助机器学习框架中实现了一个基于量子电路的生成模型来学习和采样生成对抗网络（GAN）的先验分布。该团队在IonQ的离子阱量子计算机上训练这种混合算法，基于171Yb+（镱）离子量子比特生成了高质量图像，并在数量上优于MNIST数据集训练的手写数字的可比经典GAN。
7月15日，相关研究以《用离子阱量子计算机生成高分辨率手写数字》为题[1]发表在《物理评论快报X》上。
多伦多Zapata Computing的Alejandro Perdomo-Ortiz表示[2]，“将量子计算纳入当今的生成网络将会带来更好的性能。人们对在生成建模中应用基于量子电路的算法的兴趣越来越大，但迄今为止取得的成功有限。”
以前使用量子机器学习算法生成手写数字的最佳努力仅实现了低分辨率图像（此处显示的数字0）。
在生成逼真的手写数字（该领域的标准基准）时，以前的研究只处理了与训练集几乎毫不相关的小、颗粒状、低分辨率的数字；因此，研究人员一直尝试在含噪声的中等规模（NISQ）量子设备上实现相关算法。
新的工作利用了“对抗网络”——一种由两个子网络、一个生成器和一个鉴别器（discriminator）构建的神经网络。生成器网络通过从不同图像概率的初始种子分布（seed distribution）开始学习生成逼真的图像（通常以所有图像的相同概率选择），然后通过反复试验进行学习。它会逐渐调整以提高其生成的图像与训练数据中图像的相似概率。鉴别器试图将生成器生成的假图像与真实训练图像区分开来。根据鉴别器的性能，生成器调整自身以便生成更逼真的图像通过鉴别器；反之，鉴别器也会进行调整以更好地发现假图像。
为了提高系统性能，研究人员决定使用量子电路来增强这个对抗性网络，该量子电路旨在将种子分布的选项带入机器学习过程：量子电路的优势在于它可以表示比经典系统更广泛的状态。
上：量子电路关联对抗网络（QC-AAN）框架示意图；下：IonQ的11量子比特171Yb+离子阱量子装置示意图。本工作中QC-AAN算法是在8个量子比特上进行的。
他们的小型量子计算设备基于一组存储在捕获171Yb+离子中的八个量子比特。借助这个平台，研究人员首先在业界广泛使用的手写数字标准数据集上训练了完整的机器学习算法：数据包括60000张手写数字的图像。训练完成后，该团队测试了其生成新手写数字示例的能力。
左：具有16位随机先验分布的深度卷积生成对抗网络（DCGAN）与此次实验中的8量子比特间的定量比较。误差线表示十次独立训练重复的标准偏差。8量子比特混合模型结果优于经典DCGAN，而神经网络架构是等效的。右：实验生成的手写数字图像，总体上具有更好的多样性。
生成的数字分辨率明显优于以前使用其他量子机器学习设备生成的数字分辨率。正如研究人员所强调的那样，这种性能并不明显优于最好的经典机器学习系统所能达到的性能；但这项工作表明，特定算法的量子增强版本可以比传统版本执行得更好，也可以在当今的量子设备上运行。
对此，马里兰大学帕克分校（UMD）量子物理学家Norbert Linke说：“这个例子中展示的成功为使用NISQ量子设备的机器学习开辟了设计空间。未来最好的机器学习系统很可能同时涉及经典和量子两方面。”
参考链接：
[1]https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.031010
[2]https://physics.aps.org/articles/v15/106