一种量子生成器、控制方法及量子生成对抗网络

摘要

本申请提出一种量子生成器、控制方法及量子生成对抗网络，量子生成器包括随机初始化模块和至少一层纠缠模块，随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列；随机初始化模块用于在接收到初始参数的情况下，生成随机变量；纠缠模块用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。量子生成器中无需额外添加随机变量，只需要含有随机初始化的参数量子线路即可生成随机数据分布。

权利要求

1.一种量子生成器，其特征在于，所述量子生成器包括随机初始化模块和至少一层纠缠模块，所述随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列；

所述随机初始化模块用于在接收到初始参数的情况下，生成随机变量；

所述纠缠模块用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。

2.如权利要求1所述的量子生成器，其特征在于，所述纠缠模块包括n个可变参数量子门和n组旋转门集合，所述旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门；

作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列；

第i个量子比特上的可变参数量子门的控制位为第i‑1个量子比特；

其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

3.如权利要求1所述的量子生成器，其特征在于，所述纠缠模块包括n个可变参数量子门和n组U3门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有U3门；

作用在一个量子比特上的可变参数量子门和U3门依次排列，第i个量子比特中的可变参数量子门的控制位为第i‑1个量子比特。

4.如权利要求2或者3所述的量子生成器，其特征在于，所述可变参数量子门为CR门。

5.如权利要求1所述的量子生成器，其特征在于，所述随机初始化模块包括n个量子比特，每一个量子比特上均作用有依次排列的第二类RX门、第二类RY门以及第二类RZ门。

6.一种量子生成器控制方法，其特征在于，量子生成器包括随机初始化模块和至少一层纠缠模块，所述随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列，所述方法包括：将初始参数作为所述随机初始化模块的输入，以生成随机变量；

将所述随机变量作为所述纠缠模块的输入，所述随机变量进行纠缠操作，以确定生成数据。

7.如权利要求6所述的量子生成器控制方法，其特征在于，所述纠缠模块包括n个可变参数量子门和n组旋转门集合，所述旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每一个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门；

作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列；

第i条量子比特上的可变参数量子门的控制位为第i‑1个量子比特；

其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

8.一种量子生成对抗网络，其特征在于，所述量子生成对抗网络包括判别器和权利要求1至5中任意一项所述的量子生成器；

所述判别器用于在接收到真实数据和所述量子生成器输出的生成数据的情况下，对接收到的数据的真实性进行判定。

9.如权利要求8所述的量子生成对抗网络，其特征在于，

在固定判别器中的参数情况下，所述量子生成器用于依据所述判别器对生成数据的判定结果进行训练，以提升生成数据的真实性。

10.如权利要求8所述的量子生成对抗网络，其特征在于，

在固定量子生成器中的参数情况下，所述判别器用于依据所述判别器对真实数据和生成数据的判定结果进行训练，以提升判定结果的准确性。

说明书

一种量子生成器、控制方法及量子生成对抗网络

技术领域

[0001] 本申请涉及量子技术领域，具体而言，涉及一种量子生成器、控制方法及量子生成对抗网络。

背景技术

[0002] 随着社会的发展和科学的进步，神经网络技术被广泛地应用到各行各业。经典生成对抗网络技术作为神经网络技术领域中的一个重点技术，更是本充分利用和广泛关注。

[0003] 现有的经典生成对抗网络中的生成模型是基于经典计算机实现的网络，但是由于经典计算机的存储特性和相关的硬件特性可能会带来计算上的延迟，其网络计算速度受经典计算机的影响较大。因此如何克服该问题，成为了困扰本领域技术人员的难题。

发明内容

[0004] 本申请的目的在于提供一种量子生成器、控制方法及量子生成对抗网络，以至少部分改善上述问题。

[0005] 为了实现上述目的，本申请实施例采用的技术方案如下：

[0006] 第一方面，本申请实施例提供一种量子生成器，所述量子生成器包括随机初始化模块和至少一层纠缠模块，所述随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列；

[0007] 所述随机初始化模块用于在接收到初始参数的情况下，生成随机变量；

[0008] 所述纠缠模块用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。

[0009] 在一种可能的实现方式中，所述纠缠模块包括n个可变参数量子门和n组旋转门集合，所述旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门；

[0010] 作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列；

[0011] 第i个量子比特上的可变参数量子门的控制位为第i‑1个量子比特；

[0012] 其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

[0013] 在一种可能的实现方式中，所述纠缠模块包括n个可变参数量子门和n组U3门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有U3门；

[0014] 作用在一个量子比特上的可变参数量子门和U3门依次排列，第i个量子比特中的可变参数量子门的控制位为第i‑1个量子比特。

[0015] 在一种可能的实现方式中，所述可变参数量子门为CR门。

[0016] 在一种可能的实现方式中，所述随机初始化模块包括n个量子比特，每一个量子比特上均作用有依次排列的第二类RX门、第二类RY门以及第二类RZ门。

[0017] 第二方面，本申请实施例提供一种量子生成器控制方法，量子生成器包括随机初始化模块和至少一层纠缠模块，所述随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列，所述方法包括：

[0018] 将初始参数作为所述随机初始化模块的输入，以生成随机变量；

[0019] 将所述随机变量作为所述纠缠模块的输入，所述随机变量进行纠缠操作，以确定生成数据。

[0020] 在一种可能的实现方式中，所述纠缠模块包括n个可变参数量子门和n组旋转门集合，所述旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每一个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门；

[0021] 作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列；

[0022] 第i条量子比特上的可变参数量子门的控制位为第i‑1个量子比特；

[0023] 其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

[0024] 第三方面，本申请实施例提供一种量子生成对抗网络，所述量子生成对抗网络包括判别器和上述任意一项的量子生成器；

[0025] 所述判别器用于在接收到真实数据和所述量子生成器输出的生成数据的情况下，对接收到的数据的真实性进行判定。

[0026] 在一种可能的实现方式中，在固定判别器中的参数情况下，所述量子生成器用于依据所述判别器对生成数据的判定结果进行训练，以提升生成数据的真实性。

[0027] 在一种可能的实现方式中，在固定量子生成器中的参数情况下，所述判别器用于依据所述判别器对真实数据和生成数据的判定结果进行训练，以提升判定结果的准确性。

[0028] 相对于现有技术，本申请实施例所提供的一种量子生成器、控制方法及量子生成对抗网络，量子生成器包括随机初始化模块和至少一层纠缠模块，随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列；随机初始化模块用于在接收到初始参数的情况下，生成随机变量；纠缠模块用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。量子生成器中无需额外添加随机变量，只需要含有随机初始化的参数量子线路即可生成随机数据分布。

[0029] 为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0030] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

[0031] 图1为本申请实施例提供的经典生成对抗网络的架构示意图；

[0032] 图2为本申请实施例提供的量子生成器的架构示意图；

[0033] 图3为本申请实施例提供的一种纠缠模块架构示意图；

[0034] 图4为本申请实施例提供的另一种纠缠模块架构示意图；

[0035] 图5为本申请实施例提供的一种随机初始化模块架构示意图；

[0036] 图6a为本申请实施例提供的量子生成器的含参模型整体架构示意图；

[0037] 图6b为本申请实施例提供的量子生成器的含参模型整体架构示意图之一；

[0038] 图7为本申请实施例提供的量子生成器的操作线路示意图；

[0039] 图8为本申请实施例提供的量子生成器控制方法的流程示意图；

[0040] 图9为本申请实施例提供的判别器的架构示意图；

[0041] 图10为本申请实施例提供的量子生成对抗网络的算法流程示意图。

具体实施方式

[0042] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

[0043] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0044] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0045] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0046] 在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

[0047] 在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

[0048] 下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

[0049] 请参考图1，图1为经典生成对抗网络的架构示意图。经典生成对抗网络中用生成对抗网络对数据进行训练，首先将具体的已知数据作为真实数据x，将随机变量z输入到经典生成器G中生成虚假数据G(z)，然后将真实数据x和虚假数据G(z)作为判别器D输入，判别器D对真实数据x和虚假数据G(z)的真实性进行判别得到输出，通常输出是一个0到1之间的数字，1代表输入的是真实数据，0代表输入的是虚假数据。

[0050] 经典生成对抗网络的训练过程类似一种博弈状态。首先，固定生成器，即不更新生成器中的网络参数，训练判别器网络更新判别器网络参数，使得其能够对真实数据和生成器生成的虚假数据加以鉴别；然后，固定判别器，即不更新判别器中的网络参数，对生成器网络进行训练更新其网络参数，使得其生成的虚假数据与真实数据足够接近，让判别器不能识别数据的来源是生成器生成的虚假数据还是真实数据。再然后，固定生成器训练判别器重复前面的步骤，如此循环往复，直到生成器生成的数据判别器已经不能识别数据来源为止，达到一个纳什均衡状态。当训练完成后，得到生成器网络模型，利用该模型去生成新的数据来做其他相关事情。

[0051] 经典生成对抗网络中的生成器模型和判别器模型是基于经典计算机实现的网络，由于经典计算机的存储特性以及相关的硬件特性可能会带来计算上的延迟，其网络计算速度受经典计算机的影响较大。

[0052] 并且，经典生成对抗网络中的生成器模型需要增加随机变量来生成数据。

[0053] 为了克服以上问题，本申请实施例提供了一种量子生成器，量子生成器运用量子门组合的线路解决经典生成器网络计算速度延迟的问题；并且量子生成器中无需额外添加随机变量，只需要含有随机初始化的参数量子线路即可生成随机数据分布。

[0054] 具体地，请参考图2，图2为本申请实施例提供的量子生成器的架构示意图。如图2所示，量子生成器包括随机初始化模块Init(θ)和至少一层纠缠模块Uk(θ)，随机初始化模块Init(θ)的输出端连接于第一层的纠缠模块U1(θ)的输入端，至少一层纠缠模块Uk(θ)按照层数依次排列。

[0055] 随机初始化模块Init(θ)用于在接收到初始参数的情况下，生成随机变量。

[0056] 纠缠模块Uk(θ)用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。

[0057] 需要说明的是，增加纠缠模块的深度k，从而使电路能够表示更复杂的结构，最后通过对整体线路进行测量得到量子生成器的结果，作为量子生成器所生成的虚拟数据。

[0058] 综上所述，本申请实施例提供了一种量子生成器，包括随机初始化模块和至少一层纠缠模块，随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列；随机初始化模块用于在接收到初始参数的情况下，生成随机变量；纠缠模块用于接收到随机变量的情况下，进行纠缠操作，以确定生成数据。量子生成器中无需额外添加随机变量，只需要含有随机初始化的参数量子线路即可生成随机数据分布。

[0059] 在图2的基础上，关于纠缠模块Uk(θ)的结构，本申请实施例还提供了一种可能的实现方式，请参考图3，纠缠模块Uk(θ)包括n个可变参数量子门和n组旋转门集合，旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门。

[0060] 以及 分别表示不同的可变参数量子门；

[0061] RX(αk，0)、RY(βk，0)以及RZ(γk，0)分别表示第一组的第一类RX门、第一类RY门以及第一类RZ门；

[0062] RZ(αk，m)、RY(βk，m)以及RZ(γk，m)表示第m组的第一类RX门、第一类RY门以及第一类RZ门；

[0063] 其中，m等于n。

[0064] 请继续观察图3，每个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门。作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列。

[0065] 第i个量子比特上的可变参数量子门的控制位为第i‑1个量子比特。

[0066] 其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

[0067] 图3中示出可变参数量子门为CR门，但并不以此作为限定，可选地，可变参数量子门还可以为其他量子门。

[0068] 以可变参数量子门为CR门作为示例进行说明，对经随机初始化模块Init(θ)编码后的量子必特，加入纠缠模块Uk(θ)训练操作，得到不同量子位之间的纠缠。纠缠模块Uk(θ)又可以称为酉矩阵训练纠缠模块，采用CR门与RX，RY，RZ旋转门共同实现。

[0069] CR门实现量子纠缠如图3所示，每个纠缠模块应用CR门，CR门作用于两个量子位上，分别是控制比特和受控比特两个量子位，如图中黑点所在的量子位表示控制比特，所在的量子位表示受控比特， 是CR门的参数，其中，i是控制比特所在量子位，j是受控比特所在量子位。当j大于0时，i＝j‑1，当j＝0时，i等于n。

[0070] 请继续参考图3，在CR门后面，进一步采用第一类RX门、第一类RY门以及第一类RZ门实现量子修正。

[0071] 在图2的基础上，关于纠缠模块Uk(θ)的结构，本申请实施例还提供了一种可能的实现方式，请参考图4，纠缠模块Uk(θ)包括n个可变参数量子门和n组U3门，n为量子生成器中的量子比特的数量，每个量子比特上均作用有U3门。

[0072] 作用在一个量子比特上的可变参数量子门和U3门依次排列，第i个量子比特中的可变参数量子门的控制位为第i‑1个量子比特。

[0073] CR门作用于两个量子位上，分别是控制比特和受控比特两个量子位，如图中黑点所在的量子位表示控制比特， 所在的量子位表示受控比特， 是CR门的参数，其中，i是控制比特所在量子位，j是受控比特所在量子位。当j大于0时，i＝j‑1，当j＝0时，i等于n。

[0074] U3门可以为U3矩阵，U3矩阵的表达式如下：

[0075]

[0076] 其中：i表示复数中的虚数部分，θ表示沿x轴进行旋转的偏转角度；Φ表示沿y轴进行旋转的偏转角度；λ表示沿z轴进行旋转的偏转角度。

[0077] 在一种可能的实现方式中，可变参数量子门为CR门。

[0078] 在图2的基础上，关于随机初始化模块Init(θ)的架构，本申请实施例还提供了一种可能的实现方式，请参考图5，随机初始化模块Init(θ)包括n个量子比特，每一个量子比特上均作用有依次排列的第二类RX门、第二类RY门以及第二类RZ门。

[0079] 图5中的RX(α0，0)、RY(β0，0)以及RZ(γ0，0)分别表示第一组的第二类RX门、第二类RY门以及第二类RZ门；

[0080] RX(α0，m)、RY(β0，m)以及RZ(γ0，m)分别表示第m组的第二类RX门、第二类RY门以及第二类RZ门，其中，m＝n。

[0081] 如图5所示，使用量子逻辑门，第二类RX门、第二类RY门以及第二类RZ门对初始参数进行编码，将初始参数依次通过单个第二类RX门、第二类RY门以及第二类RZ门进行变换，其中，α、β以及γ为随机初始化参数。使用第二类RX门、第二类RY门以及第二类RZ门进行预处理，参数为随机化的系数。通过对量子线路参数进行初始化，得到随机的参数化量子必特，利用量子天然的随机性，避免了对经典模式下随机数据发生器的仿真。

[0082] 关于量子生成器的整体架构，本申请实施例还提供了一种可能的实现方式，请参考图6a和图6b，图6a和图6b分别为量子生成器的含参模型整体不同架构。

[0083] 关于生成器如何生成虚拟数据，本申请实施例还提供了一种可能的实现方式，请参考下文。

[0084] 结果测量，通过对纠缠模块中的所有量子比特的测量来得到生成器对应的网络结果作为生成数据。具体地，生成数据包括对每个量子比特的测得1的概率作为对应量子比特的测量期望值的振幅结果。

[0085] 请参考图7，图7为本申请实施例提供的量子生成器的操作线路。结合随机初始化模块Init(θ)‑量子初始化线路和至少一层纠缠模块Uk(θ)‑量子酉矩阵纠缠操作，整体线路构建来实现量子生成器。参数k称为变分电路的深度，如图7所示，图中描述深度为6的变分形式作用于n个量子位，其由k+1层单量子位的旋转RX门、旋转RY门、旋转RX门和k个纠缠模块U(θ)组成。类似于增加深度神经网络的层数，增加深度k使电路能够表示更复杂的结构，并增加参数的数量；并且添加辅助量子位可以增加量子发生器表示复杂关联的能力，有利于等距映射而非单一映射。通过对图7量子生成器的整体线路架构在pyQpanda上通过各量子逻辑门进行实验建模，可实现与之相应的量子生成网络构建。本申请提供的量子生成器运用量子门组合的线路解决经典生成器网络计算速度延迟的问题。

[0086] 本申请实施例还提供了一种量子生成器控制方法，应用于前文所述的量子生成器，量子生成器包括随机初始化模块和至少一层纠缠模块，随机初始化模块的输出端连接于第一层的纠缠模块的输入端，至少一层纠缠模块按照层数依次排列。请参考图8，量子生成器控制方法包括：

[0087] S101，将初始参数作为随机初始化模块的输入，以生成随机变量。

[0088] S102，将随机变量作为纠缠模块的输入，随机变量进行纠缠作业操作，以确定生成数据。

[0089] 关于S101和S102的解释说明，请参考前文对量子生成器功能用途的解释说明。

[0090] 在一种可能的实现方式中，纠缠模块包括n个可变参数量子门和n组旋转门集合，旋转门集合包括第一类RX门、第一类RY门以及第一类RZ门，n为量子生成器中的量子比特的数量，每一个量子比特上均作用有第一类RX门、第一类RY门以及第一类RZ门；

[0091] 作用在每个量子比特上的可变参数量子门、第一类RX门、第一类RY门以及第一类RZ门依次排列；

[0092] 第i条量子比特上的可变参数量子门的控制位为第i‑1个量子比特；

[0093] 其中，第一类RX门为具有可变参数的RX门，第一类RY门为具有可变参数的RY门，第一类RZ门为具有可变参数的RZ门。

[0094] 需要说明的是，本实施例所提供的量子生成器控制方法，其可以执行上述量子生成器的功能用途，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。

[0095] 本申请实施例还提供了一种量子生成对抗网络，如图1所示，量子生成对抗网络包括判别器和上述的任意一项的量子生成器。需要说明的是，量子生成对抗网络中的生成器为前文所述的任意一项的量子生成器。

[0096] 判别器用于在接收到真实数据和量子生成器输出的生成数据的情况下，对接收到的数据的真实性进行判定。

[0097] 判别器通常输出是一个0到1之间的数字，1代表输入的是真实数据，0代表输入的是虚假数据。

[0098] 判别器的模型架构包括交替设置的全连接层和激活层，全连接层用于数据的线性处理，激活层用于对全连接层处理后的数据的非线性处理，一个相连的全连接层和一个激活层为判别器的模型架构的一层，整个判别器的模型架构的设置层数可以按需进行。激活层使用的激活函数包括但不限于Leaky ReLU、Sigmoid。如图9所示2层的判别器的模型架构。

[0099] 可选地，关于如何对量子生成器进行训练，本申请实施例还提供了一种可能的实现方式，请参考下文。

[0100] 在固定判别器中的参数情况下，量子生成器用于依据判别器对生成数据的判定结果进行训练，以提升生成数据的真实性。

[0101] 可选地，在完成量子生成器的构建后，可以得到量子生成器的生成数据(虚拟数据)，将生成数据经过判别器后，得到与真实数据的差值，根据差值计算损失函数，量子生成器的损失函数为：

[0102]

[0103] 其中， 表示判别器，m表示数据个数，gl表示来自量子发生器的生成数据。

[0104] 通过对网络中所有权重计算损失函数的梯度，将梯度反馈给最优化方法(如Adam优化算法)，从而更新权值以最小化损失函数。

[0105] 可选地，关于如何对判别器进行训练，本申请实施例还提供了一种可能的实现方式，请参考下文。

[0106] 在固定量子生成器中的参数情况下，判别器用于依据判别器对真实数据和生成数据的判定结果进行训练，以提升判定结果的准确性。

[0107] 可选地，构建判别器反向传播架构，根据对应的损失函数构建如下所示：

[0108]

[0109] 其中， 表示判别器，m表示数据个数，gl表示来自量子发生器的生成数据，gl表示从训练数据集中选取的m个随机的真实数据，l＝1，2…m。

[0110] 通过对网络中所有权重计算损失函数的梯度，将梯度反馈给最优化方法(如Adam优化算法)，从而更新权值以最小化损失函数。

[0111] 本申请实施例提供的量子生成对抗网络，所研究的问题可以概括为：

[0112] 源数据的概率分布模型为PR(x)，由某个未知的过程R生成，由参数 确定的生成器模型G生成新的数据样本，由参数 确定的判别器D来识别两种数据，用标签λ指定源数据中的类别；

[0113] R＝R(lλ>)，考虑噪声lz>，定义与参数有关的损失函数

[0114] 其中，Λ表示假设可数标签的基数；λ表示对应的标签； 表示生成器变分量子电路，其门由向量 参数化，lz>表示作为生成器对应的控制参数，通过调整lz>，可以转换生成器准备的输出状态，改变标签λ未捕获的生成数据的属性； 表示判
别器线路，其门由向量 参数化；|real>表示判断为真的量子态；|fake＞表示判断为假的量子态。

[0115] 量子生成对抗网络的任务为通过参数优化 从而得到最接近于源数据概率分布的量子生成器和判别器。

[0116] 可选地，本申请实施例还提供了一种量子生成对抗网络的算法流程。如图10所示，首先初始化数据，选定真实数据源为lognormal分布产生真实数据，并且通过参数化量子生成器线路随机初始化参数，通过参数化量子生成网络得到量子生成器的虚假数据，将真假数据输入由全连接网络构成的判别器中，通过对损失函数的比较对生成器网络与判别器网络进行反向传播，从而更新对应的网络参数，交替执行生成器与判别器模块，直到生成器输出与目标分布相同的分布为止。

[0117] 本申请实施例提供的量子生成对抗网络采用量子生成网络对经典生成网络进行量子化操作，其无需额外添加随机变量，只需要含有随机初始化的参数量子线路(随机初始化模块)即可生成随机数据分布，然后通过量子线路(至少一层纠缠模块)进行衍化操作和测量得到最终的生成网络结(生成数据，虚假数据)。再将生成网络生成的虚假数据和真实数据传入判别器，根据判别结果进行反馈与对应的梯度反向传播。并且通过量子计算的并行特性，量子生成网络操作的复杂度可以达到O(poly(log(n)))，从而很大程度的提高卷积计算的效率。

[0118] 需要说明的是，本实施例所提供的量子生成对抗网络，其可以执行上述量子生成器的功能用途，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。

[0119] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

[0120] 对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。