基于量子化生成模型和神经网络的对抗生成网络构建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112801281A(43)申请公布日2021.05.14(21)申请号202110301666.0(22)申请日2021.03.22(71)申请人东南大学地址211102江苏省南京市江宁区东南大学路2号(72)发明人余旭涛万之璠孟凡旭王霄峻张在琛(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人秦秋星(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06N10/00(2019.01)权利要求书2页说明书6页附图5页(54)发明名称基于量子化生成模型和神经网络的对抗生成网络构建方法(57)摘要本发明公开一种基于量子化生成模型和神经网络的对抗生成网络构建方法，包括：(1)选定目标函数生成训练样本集，初始化生成和判别网络模型的参数向量；(2)根据目标函数选取量子比特纠缠对，构造量子生成网络模型的结构；(3)生成网络模型得到的生成样本集和训练样本集混合送入判别模型，由判别模型进行样本集判别；(4)根据对抗训练算法分别计算代价损失函数，通过梯度下降优化更新对应网络模型的参数向量；(5)若达到收敛标准则输出步骤(4)中得到的生成网络模型，否则返回步骤(3)。本发明在保留经典对抗生成网络算法优势的同时，结合了量子电路优越的并行计算能力降低了采样复杂度，是对于对抗生成网络模型的一个补充。CN112801281ACN112801281A权利要求书1/2页1.一种基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于：包括如下步骤：(1)选定目标函数生成训练数据样本集，随机初始化生成网络模型G和判别网络模型D的参数向量和所述生成网络模型由含有N个量子比特的L层量子电路构成；(2)根据目标函数的训练数据样本集选取量子比特纠缠对，构造生成网络模型G中每一层的旋转结构和纠缠结构；(3)在生成网络模型G输入端输入N比特量子，得到生成数据样本集，并和训练数据样本集混合为混合数据样本集一起送入判别网络模型D中，由判别网络模型D估计样本来自训练数据样本集的概率D(x)，其中x为判别网络模型G输入端的混合数据样本集；(4)根据对抗训练算法计算生成网络模型G和判别网络模型D的代价损失函数，通过梯度下降优化代价损失函数，并更新生成网络模型G和判别网络模型D的参数向量和(5)若判别网络模型D的输出值D(x)收敛或代价损失函数值收敛于最小值，则输出步骤(4)中最后得到的生成网络模型的参数向量得到所需的量子生成网络模型，若未达到标准则返回步骤(3)直至达到收敛标准。2.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，所述判别网络模型D为ReLU激活函数和Sigmoid激活函数混合使用的深度神经网络结构。3.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(2)中构造纠缠结构的方法如下：采取树形的拓扑结构来选取纠缠比特对，通过计算目标分布的训练数据样本集中比特间的互信息并将此作为权重，把训练数据样本集中的每一比特作为树的节点构建比特间的最大生成树，从而选取纠缠比特对。4.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4)中对抗训练算法如下：(4.1)固定生成网络模型G，判别网络模型D的代价损失函数；(4.2)梯度下降优化生成网络模型D的代价损失函数，最大化代价损失函数；(4.3)固定判别网络模型D，生成网络模型G的代价损失函数；(4.4)梯度下降优化生成网络模型G的代价损失函数，最小化代价损失函数；(4.5)交替更新生成网络模型G和判别网络模型D的参数向量和5.根据权利要求4所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4.1)中生成网络模型G，判别网络模型D的代价损失函数为其中nD为每一次批量梯度下降时的样本数据量，x(i)代表训练数据样本集，z(i)代表生成网络模型G输入端的输入量子比特，G(z(i))代表生成网络模型G生成的生成数据样本集，m为训练数据样本集中样本数量。6.根据权利要求4所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4.3)中判别网络模型D，生成网络模型G的代价损失函数为其中nG为每一次批量梯度下降时的样本数据量，数2CN112801281A权利要求书2/2页据x+和x‑为由两批电路参数θ+、θ‑分别产生的数据。3CN112801281A说明书1/6页基于量子化生成模型和神经网络的对抗生成网络构建方法技术领域[0001]本发明涉及一种量子计算和机器学习技术，尤其涉及一种基于量子化生成模型和神经网络的对抗生成网络构建方法，属于量子