Calibrazione del prior guidata dal paesaggio della fedeltà quantistica per la generazione di immagini con un QGAN a circuito singolo

Abstract degli autori

Le reti generative avversarie quantistiche (QGAN) sono emerse come modelli generativi rappresentativi nell’era quantistica a scala intermedia rumorosa (NISQ) e hanno suscitato un interesse crescente nel campo del machine learning quantistico. Tuttavia, la maggior parte dei metodi QGAN esistenti si basa su strategie di decomposizione basate su patch, che indeboliscono la coerenza globale delle immagini generate e aumentano il sovraccarico di risorse quantistiche. In questo lavoro analizziamo un approccio più semplice: la generazione di immagini end-to-end a livello di pixel mediante un QGAN a circuito quantistico singolo. Analizzando la relazione di corrispondenza strutturale tra il prior quantistico e la distribuzione dei dati bersaglio nello spazio di Hilbert, proponiamo una nuova prospettiva teorica per comprendere il comportamento di addestramento dei QGAN end-to-end ingenui. In particolare, introduciamo il paesaggio della fedeltà quantistica (QFL), definito come la struttura delle fedeltà a coppie indotta da un insieme di stati quantistici e preservata dalle trasformazioni unitarie condivise del processo di generazione quantistica. Mostriamo che, con un readout di Lipschitz fissato, questo invariante impone un limite unilaterale alla separazione tra campioni decodificati, motivando la calibrazione del QFL indotto dal prior prima dell’addestramento avversario. Per convalidare questa intuizione teorica, proponiamo BasicQGAN, un framework QGAN che integra la calibrazione del prior quantistico. Prima dell’ottimizzazione avversaria, BasicQGAN allinea il QFL indotto dal prior con il QFL indotto dai dati. I risultati sperimentali su dataset di immagini in scala di grigi di piccole dimensioni mostrano che BasicQGAN consente una generazione di immagini end-to-end stabile ed efficace a livello di pixel, richiedendo meno qubit e parametri addestrabili rispetto a generatori quantistici rappresentativi basati su patch. Inoltre, esperimenti con diversi insiemi iniziali di stati quantistici mostrano che gli insiemi calibrati sul QFL ottengono prestazioni generative migliori.