量子科技中心_量科网

生成对抗网络（GANs）在合成多样化高保真图像方面展现出巨大潜力，但量子原理如何最优增强其表征与计算能力仍存在关键悬而未决的问题。该研究团队通过结合迁移学习的混合量子-经典GAN架构展开研究，系统性地验证了将变分量子电路（VQCs）嵌入生成器、判别器或两者时，性能是否优于全经典基线模型。研究发现：在生成器和判别器中同时集成VQCs的完全混合模型，相比全经典模型能持续生成视觉质量更高的图像，并获得更优的定量评估指标。具体而言，生成器中的VQC加速了早期特征学习，而判别器中的VQC尽管初始收敛较慢，最终却能促成更精细的合成输出。值得注意的是，当数据集规模急剧缩小时，该模型仍能保持接近原始水平的性能，表明迁移学习和量子增强有效缓解了数据稀缺问题。总体而言，结果证明量子计算与经典对抗训练及预训练特征提取的精心整合，能显著提升基于GAN的图像合成效果。这些发现为未来高分辨率任务、新型量子电路设计以及新兴量子硬件实验的研究开辟了新路径。