量子科技中心_量科网

生成对抗网络（GANs）已成为生成高保真数据样本的强大范式，但其性能受限于通常从经典噪声分布中采样的潜在表示质量。本研究探索了混合量子-经典GAN（HQCGANs）架构，其中通过参数化量子电路实现的量子生成器为经典判别器生成潜在向量。该团队将经典GAN与具有3、5和7量子比特的三种HQCGAN变体进行对比评估，使用Qiskit的AerSimulator模拟器结合真实噪声模型来仿真近期量子设备。实验采用二进制MNIST数据集（数字0和1）以匹配当前量子硬件所限的低维潜在空间。所有模型训练150个epoch，并通过弗雷歇起始距离（FID）和核起始距离（KID）进行评估。结果表明：虽然经典GAN取得最佳分数，但7量子比特HQCGAN展现出竞争力，在后期训练中显著缩小差距；而3量子比特模型较早显现收敛限制。效率分析表明，尽管存在量子采样开销，训练时间仅适度增加。这些发现验证了噪声量子电路作为GAN架构中潜在先验的可行性，凸显了其在嘈杂中等规模量子（NISQ）时代约束下增强生成建模的潜力。