量子科技中心_量科网

变分自编码器（VAE）能够学习复杂数据的紧凑潜在表示，但其生成能力从根本上受限于潜在空间先验分布的选择。基于能量的先验提供了一种突破因子分解假设、捕捉潜在变量间结构化相互作用的原理性方法，然而大规模训练此类先验需要从难解分布中实现精确高效的采样。本研究提出了基于量子退火采样的玻尔兹曼机先验VAE（BM-VAE），在单一生成系统中实现了三种操作模式：训练阶段采用非绝热量子退火（DQA）为基于能量的先验提供无偏玻尔兹曼样本以估计梯度；无条件生成时采用慢速量子退火（QA）使样本集中于低能量极小值附近；条件生成时则通过施加偏置场（c-QA）引导采样至能量景观的特定属性区域。利用D-Wave Advantage2处理器上多达2000个量子比特，研究团队在多个数据集上展示了比高斯先验VAE更快的收敛速度和更低的重构损失的稳定高效训练。习得的玻尔兹曼先验支持直接从基于能量的潜在分布采样实现无条件生成（普通自编码器不具备此能力），并可通过利用学习到的成对相互作用的潜在偏置技术实现条件生成。