inkscape生成g代码_三点二. 量子对抗生成网络 (Quantum GAN)

理论基础

之前我们介绍了强化学习

Leo：和Leo一起学量子计算：三点一. 微分线路和强化学习​zhuanlan.zhihu.com

上面这篇博文告诉我们如何把量子线路类比为神经网络，并获取它的导数。在可微分线路的基础上，我们可以做一些更加酷的事情，比如量子对抗学习。

2018年，量子机器学习领域出现了几篇夺人眼球的关于量子对抗生成学习的文章，它们分别是

• Seth Lloyd, Christian Weedbrook
  • [1804.09139] Quantum generative adversarial learning
• Quantum generative adversarial networks
  • [1804.08641] Quantum generative adversarial networks
• Benedetti, M., Grant, E., Wossnig, L., & Severini, S.
  • [1806.00463] Adversarial quantum circuit learning for pure state approximation
• Haozhen Situ, Zhimin He, Lvzhou Li, Shenggen Zheng
  • [1807.01235] Quantum generative adversarial network for generating discrete data
• Jinfeng Zeng,Yufeng Wu,Jin-Guo Liu,Lei Wang,Jiangping Hu
  • [1808.03425] Learning and Inference on Generative Adversarial Quantum Circuits

理论基础

下面简单介绍下第三篇工作的基本思想，也就是今年 6 月份的这篇学习纯态波函数的文章, 他是对第一篇和第二篇文章思想的传承和简化版本。这篇文章要解决的问题是，给定一个未知量子线路T，它可以让波函数从

态演化到

。我们希望构造一个线路G生成另外一个波函数

，得到这个波函数的尽可能与目标线路产生的态相似， 也就是

。那么为什么要学习一个量子线路产生量子力学波函数呢？一个原因是量子波函数具有不可克隆的特性，为了能够随时随地复现它，一个好的想法就是把能够产生这个波函数的随机线路的参数，用经典浮点数把它保存在磁盘上。