量子科技中心_量科网

该研究团队提出了一种生成对抗网络（GAN）的创新方法——用16量子比特纠缠电路测量所获得的量子关联先验来替代或融合标准的独立同分布高斯潜在先验。具体实现过程为：将每个量子比特的重复测量结果分组为二进制分数，应用逆高斯累积分布函数生成16维高斯向量（其联合连接函数反映了真实的量子纠缠特性），并通过固定随机矩阵投影到高维空间。通过从无噪声模拟器或IBM量子硬件预采样数千万比特串，研究人员构建了具有内部量子关联性的大规模潜在变量池。 该方法在CIFAR-10数据集上集成至三种经典架构（WGAN、SNGAN、BigGAN），未改变神经网络结构或训练超参数。实验表明：融合硬件噪声的混合潜在表征相较于经典基线及模拟器变体持续降低FID指标，尤其当量子成分占先验分布较大比重时效果更显著。此外，该团队采用量子处理单元并行计算，不仅节约计算时间，更在BigGAN中实现FID指标最高17%的降幅。这些结果表明：量子随机性的本质特性与设备特异性缺陷可形成结构化归纳偏置，从而提升GAN性能。 该工作构建了利用噪声量子硬件增强深度生成建模的实用技术路线，为量子信息与机器学习领域开辟了新的交叉接口。所有代码与数据已开源（https://github.com/Neon8988/GAN_QN.git）。