[发明专利]一种基于条件约束的量子生成对抗网络算法

说明书

本发明公开了一种基于条件约束的量子生成对抗网络算法，包括以下步骤：首先，准备真实样本，并根据生成任务的目标以及数据的特征引入合适的条件约束，共同构成网络的训练数据集；其次，根据训练数据集的数值特征，设计合适的量子线路对经典训练样本进行量子态编码；之后，设计构造条件生成对抗网络的量子生成器G和量子判别器D的参数化量子电路；最后，将量子生成器G和量子判别器D级联，制定训练策略进行对抗训练，并对训练好的量子生成器G进行测量采样，生成能够拟合真实样本且符合条件约束的数据结果。本发明可以根据条件约束的设置，有效引导网络生成符合特定要求的数据，增加了训练过程的可控性，生成数据的质量也有所提升。

技术领域

本发明属于量子机器学习算法，具体涉及一种基于条件约束的量子生成对抗网络算法。

背景技术

2014年Goodfellow首先提出生成对抗网络(Generative Adversarial Network，GAN)，将人工智能领域中最主要的算法模型——判别式模型和生成式模型相结合得到一种新的深层神经网络算法框架。其主要思想是，生成器学习训练样本数据的特征并生成虚假的样本，而判别器则判定输入样本的真实性，通过生成器和判别器的交替训练，得到更优的生成器用来生成能拟合真实样本的数据。随后这种对抗训练思想被广泛地应用于解决各类生成与分类问题，尤其在学习生成现实图片、音频数据样本的任务中，GAN显示出巨大的潜能。

在GAN思想基础上，同年Mehdi Mirza提出了条件生成对抗网络(ConditionalGAN，CGAN)，对生成器和判别器的输入都增加条件约束，即用条件约束表征数据相关的某种额外信息。在训练过程中，加入的条件约束能够指引生成器生成符合额外信息特征的数据，避免了训练中模拟的方式过于自由。CGAN不仅能用于生成特定条件的数据，还应用到了图像转化和风格迁移当中。

2018年Lloyd提出了有关量子生成对抗网络(Quantum Generative AdversarialNetworks，QGAN)的概念，巧妙地将经典生成对抗网络与量子计算相结合。基于QGAN算法的纯量子方案已经得到了超导电路物理实验的验证，混合经典-量子方案也已经有相关的数值模拟验证，因此QGAN有望成为最适合利用近期量子设备实现的机器学习算法之一。但是与GAN经典方案相似，量子方案由于不需要预先假设数据分布，同样存在训练过程太过自由的问题，很难控制其生成信息量较大的数据。

发明内容

发明目的：本发明的目的在于提供一种通过设置条件约束来有效引导网络生成符合特定要求的数据，增加训练过程的可控性，同时，提升生成数据质量的基于条件约束的量子生成对抗网络算法。

技术方案：本发明的基于条件约束的量子生成对抗网络算法，包括以下步骤：

(1)准备真实样本，并根据生成任务的目标和样本数据的数值特征引入合适的条件约束，样本数据和条件变量共同构成生成对抗网络的训练数据集；

(2)将训练数据集中的数据对制备成量子态；再设计量子生成器G的参数化量子电路，并设置相应的超参数

(3)设计量子判别器D的参数化量子电路，并设置相应的超参数

(4)设置对抗训练的相关参数；

(5)固定量子生成器G的参数θ_G，计算量子判别器D的损失函数的梯度，对参数θ_D进行优化；

(6)固定量子判别器D的参数θ_D，计算量子生成器G的损失函数的梯度，对参数θ_G进行优化；

(7)步骤(5)和步骤(6)完成一个训练周期的参数交替优化，计算当前参数下量子生成器G和量子判别器D的损失函数，判断生成对抗网络是否达到纳什平衡；