量子科技中心_量科网

量子生成建模是当前研究的热门领域，旨在探索数据分析中的实际优势。量子生成对抗网络（QGANs）作为该领域的领先方案，已从高能物理到图像生成等多元场景得到应用。其中，基于潜在风格的QGAN通过经典变分自编码器将输入数据编码至潜在空间，再采用风格化量子生成网络进行数据合成，已被证实能高效完成图像生成或药物设计任务——其核心优势在于使用远少于经典模型的训练参数即可达到相当性能，但这一优势始终缺乏系统性研究。该工作首次针对SAT4图像生成任务，对混合架构下基于潜在风格的QGAN进行了全面实验分析，发现量子生成器在容量扩展方面具有指数级优势。研究显示，变分自编码器的精细调参对获得稳定可靠结果至关重要。当训练过程达到最优状态（即训练稳定且FID评分持续低位稳定时），经典判别器的最优容量（或可训练参数量）相对于量子生成器容量呈现指数级增长，经典生成器亦呈现相同规律。这一发现为量子生成建模的潜在优势提供了实证依据。