Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation

要約

量子機械学習 (QML) は、分類および識別タスクに関連する問題で従来の機械学習法よりも優れた性能を発揮する可能性があるため、ますます注目を集めています。
QML メソッドのサブクラスは、画像操作および生成タスクで広く使用されている従来の GAN の量子対応物として研究されてきた、敵対的量子生成ネットワーク (QGAN) です。
QGAN に関する既存の作業は、大幅にダウンスケーリングされた画像に基づく小規模な概念実証の例にまだ限定されています。
ここでは、古典技術と量子技術を統合して、新しいハイブリッド量子古典 GAN フレームワークを提案します。
標準 MNIST および Fashion MNIST データセットの複数のクラスで、次元削減や古典的な前処理/後処理を行わずに $28 \times 28$ ピクセルのグレースケール画像を生成することにより、その優れた学習機能を実証します。
トレーニング可能なジェネレーターパラメーターが少ない。
ハイブリッド アプローチの動作についてさらに洞察を得るために、量子ビットの数、画像パッチのサイズ、ジェネレーター内のレイヤーの数、パッチの形状、および選択を変化させることにより、そのパラメーター空間の影響を体系的に調査します。
事前配布の。
私たちの結果は、量子ジェネレーターのサイズを大きくすると、一般にネットワークの学習能力が向上することを示しています。
開発されたフレームワークは、複雑な画像生成タスクに合わせて調整された最適なパラメーター セットを使用して、QGAN の将来の設計の基盤を提供します。

要約(オリジナル)

Quantum machine learning (QML) has received increasing attention due to its potential to outperform classical machine learning methods in problems pertaining classification and identification tasks. A subclass of QML methods is quantum generative adversarial networks (QGANs) which have been studied as a quantum counterpart of classical GANs widely used in image manipulation and generation tasks. The existing work on QGANs is still limited to small-scale proof-of-concept examples based on images with significant downscaling. Here we integrate classical and quantum techniques to propose a new hybrid quantum-classical GAN framework. We demonstrate its superior learning capabilities by generating $28 \times 28$ pixels grey-scale images without dimensionality reduction or classical pre/post-processing on multiple classes of the standard MNIST and Fashion MNIST datasets, which achieves comparable results to classical frameworks with three orders of magnitude less trainable generator parameters. To gain further insight into the working of our hybrid approach, we systematically explore the impact of its parameter space by varying the number of qubits, the size of image patches, the number of layers in the generator, the shape of the patches and the choice of prior distribution. Our results show that increasing the quantum generator size generally improves the learning capability of the network. The developed framework provides a foundation for future design of QGANs with optimal parameter set tailored for complex image generation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google