一种基于条件约束的量子生成对抗网络算法制造技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于条件约束的量子生成对抗网络算法
本专利技术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。
技术介绍
2014年Goodfellow首先提出生成对抗网络(GenerativeAdversarialNetwork，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MehdiMirza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(QuantumGenerativeAdversarialNetworks，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。
技术实现思路
专利技术目的：本专利技术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：本专利技术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θG，计算量子判别器D的损失函数的梯度，对参数θD进行优化；(6)固定量子判别器D的参数θD，计算量子生成器G的损失函数的梯度，对参数θG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；(8)训练结束得到具有分类生成数据能力的量子生成器G，根据目标选择对应的条件约束值，将条件约束值输入到训练好的量子生成器G，测量量子生成器G最终态得到符合条件约束特征的新数据。步骤(4)中，设置对抗训练的相关参数具体为，将所有样本数据经过生成对抗网络进行训练的次数记为epoch、每个epoch中包含量子判别器D进化的次数记为dstep、每个epoch中包含量子生成器G进化的次数为gstep、每次更新量子判别器D参数时选取真实样本的最小批量为mb。步骤(5)中，固定量子生成器G的参数θG后，从训练数据集中随机抽取mb个真实的样本数据对制备成量子态|r>，将|r>作为量子判别器D的输入，测量量子判别器D的输出；再将量子生成器G和量子判别器D级联，将|z>|y>作为量子生成器G的输入，测量量子判别器D的输出。所述量子判别器D的输入|r>的计算公式为：式中，xi∈X；ci∈y；i＝1,2,…,mb；X表示样本数据集合；y表示根据生成任务的目标和样本数据的数值特征所引入的条件约束。所述量子生成器G的输入|z>|y>的计算公式为：式中，1/αj表示条件概率p(x|yj)的平方根，且满足归一化条件Nx表示为制备真实样本数据xi所需的最大量子比特数。根据两次测量到的量子判别器D的输出来计算量子判别器D的损失函数LD的梯度；量子判别器D的损失函数LD为：步骤(6)中，所述量子生成器G的损失函数LG的计算公式为：LG(θG)＝Ezlog(D(G(|z>||y>)))。步骤(7)中，若生成对抗网络已达到纳什平衡状态则训练提前结束；否则进入下一个训练周期的迭代优化，直至生成对抗网络达到纳什平衡或完成整个训练周期的迭代训练。步骤(1)中，所述条件变量来源于类别标签、用于图像修复的部分数据、或者其他来自不同模态的数据。根据量子资源N和相应的量子电路模板来设计所述量子生成器G、量子判别器D的参数化量子电路。有益效果：本专利技术与现有技术相比，其有益效果在于：通过在网络输入层增加关于训练数据集的条件约束，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，生成数据对真实数据的拟合度也有所提升。附图说明图1为本专利技术的流程图；图2为本专利技术中制备N粒子W纠缠态的量子线路图；图3为本专利技术中量子生成器G的量子比特连通性示意图；图4为本专利技术中量子生成器G的量子线路模板图；图5为本专利技术中量子判别器D的量子线路模板图；图6为本专利技术中制备3粒子W态的量子线路图；图7为本专利技术中量子生成器G的线路图；图8为本专利技术中量子判别器D的线路图。具体实施方式下面结合具体实施方式和说明书附图对本专利技术做进一步详细介绍。如图1所示，本专利技术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，将样本数据集合记为X＝{x1,x2,…,xn}∈R，且该数据集符合一种未知的概率分布ρdata。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，记为y＝{y1,y2,…,ym}；则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，记为{(x1,c1),…,(xi,ci),…,(xn,cn)}(xi∈X,ci∈y)；(2)量子生成模型准备：将训练数据集中的数据对制备成量子态。制备输入到量子生成器G的条件信息量子态，按照真实样本概率分布将条件变量y编码成的量子叠加态：量子生成器G的输入为制备该量子态共需要N个量子比特，N＝Nx+Ny，其中Nx为制备真实样本数据xi所需的最大量子比特数，Ny为制备条件变量yj所需的最大量子比特数。再根据量子线路所需的量子资源N和线路模板设计量子生成器G的参数化量子电路，并设置相应的超参数(3)量子对抗模型准备：设计量子判别器D的线路同样需要量子资源N，根据相应的量子线路模板，设计量子判别器D的参数化量子电路，并设置相应的本文档来自技高网...

【技术保护点】
1.一种基于条件约束的量子生成对抗网络算法，其特征在于，包括以下步骤：/n(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；/n(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

【技术特征摘要】
1.一种基于条件约束的量子生成对抗网络算法，其特征在于，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θG，计算量子判别器D的损失函数的梯度，对参数θD进行优化；
(6)固定量子判别器D的参数θD，计算量子生成器G的损失函数的梯度，对参数θG进行优化；
(7)在步骤(5)和步骤(6)完成一个训练周期的参数交替优化后，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；
(8)训练结束得到具有分类生成数据能力的量子生成器G，根据目标选择对应的条件约束值，将条件约束值输入到训练好的量子生成器G，测量量子生成器G最终态得到符合条件约束特征的新数据。


2.根据权利要求1所述的基于条件约束的量子生成对抗网络算法，其特征在于：步骤(4)中，设置对抗训练的相关参数具体为，将所有样本数据经过生成对抗网络进行训练的次数记为epoch、每个epoch中包含量子判别器D进化的次数记为dstep、每个epoch中包含量子生成器G进化的次数为gstep、每次更新量子判别器D参数时选取真实样本的最小批量为mb。


3.根据权利要求1所述的基于条件约束的量子生成对抗网络算法，其特征在于：步骤(5)中，固定量子生成器G的参数θG后，从训练数据集中随机抽取mb个真实的样本数据对制备成量子态|r>，将|r>作为量子判别器D的输入，测量量子判别器D的输出；再将量子生成器G和量子判别器D级联，将|z>|y>作为量子生成器G的输入，测量量子判别器D的...

【专利技术属性】
技术研发人员：刘文杰，张颖，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32