清华团队首次实现量子GAN 准确率98.8%

量子机器学习的新里程碑!

清华大学孙´岩团队提出了“量子版”的生成对抗网络，并且证明了与经典的对应方法相比，具有潜在的“指数级”优势。

最近，孙´岩团队的研究登上了Science Advances，论文首次介绍了超导量子电·中量子生成对抗学习的原理证明及实验演示。

研究结果表明，经过几轮对抗学习，可以训练一个量子态的发生器，对量子信道模拟器输出的量子数据进行统计复制，并且具有98.8%的高保真度，使得鉴别器无法区分真实数据和生成数据。

值得注意的是，证明“量子霸权”通常被认为需要至少50个量子比特，但该团队的研究使用的系统只有一个量子比特。

首次证明量子计算能利用GAN

生成对抗网络(GAN)由两个神经网络构成，即生成器和鉴别器。

生成器会生成数据，例如人脸图片;鉴别器既可以得到真实数据，也可以得到生成器创建的假数据，而且必须分辨出真假。它俩经过多轮的循环，最终生成器得到了更新，学会了如何产生更为逼真的图像，使得鉴别器无法再区分其真假。

而GAN也是近年来机器学习领域最令人兴奋的突破之一。它在图像、视频生成等各种具有挑战性的任务中表现突出，例如，能够生成无比逼真的人脸照片，以假乱真。

从理论上讲，量子计算机在解决某些问题(如分解大数)方面比普通计算机具有速度优势。

“但就目前的技术水平而言，量子计算机还无法达到这一优势。”孙´岩说。

研究人员认为，量子计算机上的GAN也可能具有这样的速度优势，但他们仍然需要明确证明这一点。

于是，利用量子生成器和鉴别器制造出一种量子GAN，成为证明“量子霸权”的又一案例。

量子生成对抗网络QGAN：准确率98.8%

孙´岩团队实验性地演示了生成对抗网络的量子版本——QGAN，其中输入和输出数据都是量子比特。

生成器G由一个超导电·构成，能够生成一个随机纯量子态的集合ρ，模拟真正的量子数据σ。其中，输入的量子数据由一个数字量子比特信道模拟器随机生成。

鉴别器D则由一个专门衡量相关映射的量子设备构成，能够生成衡量映射的结果M。

接下来的过程就与普通的生成对抗网络 (GAN) 一样，生成器G不断生成虚拟数据ρ，然后鉴别器D则不断生成衡量ρ和衡量σ的结果，试图区分ρ 和σ，反过来优化生成器的生成结果，最终致使D无法区分ρ 和 σ。

量子生成对抗网络QGAN的示意图：(a) 量子生成器G和量子鉴别器D，G生成一个模拟量子态ρ，真实量子态σ则由模拟器随机生成;(b) D得到输入数据后，通过衡量机制判断模拟数据ρ 和真实量子态σ 的不同。

QGAN算法的实验协议

实验证实了生成器确实能够学会数据量子数据的模式 (pattern)，并生成几乎与真实量子数据一样的量子态。

不仅如此，研究人员在论文中指出，他们最高能够取得98.8%的准确率。

量子计算机有望在图像生成上实现量子霸权

研究人员得出结论，由于QGAN实验中既不需要量子随机存储设备，也不需要通用量子计算设备或对任何参数进行微调，因此可以认为，在不远的δ来，量子设备就能实现可用的、含有噪音的中型量子应用。

什ô是“含有噪音的中型量子”?去年，加州理工大学理论物理学家、“量子霸权 ”概念提出者 John Preskill 指出，在实现 50~100 量子比特的中型量子计算机后，人类就可以用其探索更多经典计算机无法探索的研究领域，也将由此迈进一个新的量子技术发展期，他将其称之为“含噪声的中型量子” (Noisy Intermediate-Scale Quantum, NISQ) 时代。

计算机体系结构顶会 MICRO 2017 的最佳论文奖，授予了这样一项工作，论文提出了一种控制超导量子计算机的微体系结构，首次有机连接了量子软件和硬件，让传统处理器的设计技术能够为量子控制处理器所用。

清华大学的这项实验工作的意义就在于，首次在超导量子电· (属于NISQ设备) 上实现了量子GAN，鉴于GAN在图像生成等应用上的强大性能，这有望实现图像生成的“量子霸权”，也即用量子计算机生成图像比经典计算机更快更强。

结合MICRO 2017的最佳论文奖研究，或许能够加速清华大学这项工作实现图像量子霸权。想一想，不是很令人激动吗?