Technische Samenvatting: CoQui – Een Coördinaat-geconditioneerd Quantum Implicit Generative Adversarial Network

Probleemstelling

Bestaande Quantum Generative Adversarial Networks (QGANs) voor beeldgeneratie vertrouwen overwegend op een paradigma waarbij pixelintensiteiten direct worden afgeleid van de amplitudes van kwantumtoestanden. De auteurs identificeren twee kritieke beperkingen in deze aanpak:

1. Schaalbaarheidsproblemen: Het coderen van pixellocaties via computationele basisindices of adres-qubits zorgt ervoor dat de vereiste dimensie van de kwantumtoestand of het aantal qubits lineair groeit met de beeldresolutie.
2. Pixelkoppeling en Controle: Bestaande methoden decoderen meerdere pixels gezamenlijk uit één of enkele genormaliseerde kwantumtoestanden. Dit dwingt pixels om te concurreren om de waarschijnlijkheidsmassa, wat het moeilijk maakt om individuele pixelwaarden nauwkeurig te controleren. Dit resulteert vaak in gegenereerde beelden met een lagere algehele helderheid vergeleken met de werkelijke datadistributies en ongelijke amplitude-verdelingen.

Bovendien gebruiken veel bestaande benaderingen kwantumcircuits alleen om gecomprimeerde klassieke representaties te modelleren, in plaats van direct op pixelniveau te genereren.

Methodologie: CoQui Framework

Om deze beperkingen aan te pakken, stelt het papier CoQui (Coordinate-conditioned Quantum Implicit GAN) voor, die beeldgeneratie herformuleert als een probleem van coördinaat-geconditioneerd impliciet functie leren. In plaats van amplitudes naar pixels te mappen, leert CoQui een continue mapping van ruimtelijke coördinaten naar signaalwaarden.

1. Kernarchitectuur

Het framework werkt als volgt:

• Inputs: De generator neemt ruimtelijke coördinaten $c = (x, y)$ en een latente variabele $z$ als input.
• Klassieke Embedding: Een klassiek neuraal netwerk $\Gamma$ verwerkt de geconcateneerde positionele codering van $c$ en de latente code $z$. Het produceert parameters die de rotatiehoeken definiëren voor een Parameterized Quantum Circuit (PQC).
• Quantum Generator: De PQC evalueert het beeld op specifieke coördinaatlocaties.
  • Qubit Allocatie: Het circuit gebruikt $N_q = N_f + 1$ qubits. Eén qubit ($q_0$) dient als de kleur-qubit voor pixel-readout, terwijl de resterende $N_f$ qubits fungeren als feature-qubits die impliciete ruimtelijke kenmerken coderen.
  • Circuitstructuur: Het circuit bestaat uit $L$ herhalende lagen die het volgende bevatten:
    • Color-Qubit Brightness Initialisatie: Een leerbare $R_Y$ rotatie om een initiële gemiddelde helderheid in te stellen.
    • Geschaalde Data Re-uploading: Laagspecifieke schaal- en biasparameters moduleren de inputhoeken, waardoor elke laag de coördinaat-latente signalen kan benadrukken of dempen.
    • Lokale Rotaties & Entanglement: Feature-qubits ondergaan lokale rotaties en ring-topologie CNOT-entanglement om correlaties te modelleren.
    • Feature-to-Color Writing: Gecontroleerde-$R_Y$ gates dragen informatie van feature-qubits over naar de kleur-qubit, waardoor de kleuroutput expliciet afhankelijk wordt van de feature-representatie.
    • Color Residual Update: Aanvullende leerbare rotaties op de kleur-qubit maken verfijning van pixelintensiteiten over de lagen heen mogelijk.
• Pixel Readout: De pixelintensiteit wordt niet afgeleid van de amplitude van de toestand, maar wordt direct uitgelezen als de verwachtingswaarde van de Pauli-Z observable op de kleur-qubit: $G(c, z) = (1 - \langle Z_0 \rangle)/2$.
• Beeld Synthese: Een volledig beeld wordt gegenereerd door de generator te bevragen op alle ruimtelijke coördinaten $(i/W, j/H)$.

2. Trainingsdoelstelling

CoQui wordt getraind met de Wasserstein GAN-doelstelling met een gradient penalty (WGAN-GP), waarbij een klassieke discriminator (critic) wordt ingezet om onderscheid te maken tussen echte en gegenereerde beelden.

Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Coördinaat-geconditioneerd Paradigma: CoQui ontkoppelt het aantal qubits van de beeldresolutie door generatie te behandelen als een continue mapping van coördinaten naar pixelintensiteiten. Dit elimineert de inter-pixel competitie voor waarschijnlijkheidsmassa die inherent is aan amplitude-mapping methoden.
2. Gestructureerd Bevooroordeeld Quantumcircuit: De auteurs ontwerpen een gespecialiseerde PQC met een structurele inductieve bias. Door feature-qubits te gebruiken om een toegewezen kleur-qubit gecontroleerd te moduleren, verbetert het model zijn vermogen voor conditionele pixelgeneratie en de expressiviteit.
3. Empirische Prestaties: Systematische simulaties tonen aan dat CoQui een superieure visuele kwaliteit en kwantitatieve prestaties bereikt vergeleken met amplitude-mapping baselines (PQWGAN en de standaard setting van Jäger et al.'s Quantum Wasserstein QGAN) terwijl het aanzienlijk minder qubits gebruikt. Het presteert ook competitief ten opzichte van een klassieke baseline met een vergelijkbare parameter-schaal.

Experimentele Resultaten

Experimenten werden uitgevoerd op de MNIST en Fashion-MNIST datasets (28x28 resolutie) met behulp van een gesimuleerde omgeving (JAX framework).

• Resource Efficiëntie: CoQui genereert volledige beelden met slechts 5 qubits (1 kleur + 4 feature) en een enkel quantumcircuit. In tegen tegenstelling hiertoe vereisen amplitude-mapping baselines aanzienlijk meer middelen (bijv. PQWGAN vereist 192 qubits en 32 circuits voor dezelfde taak).
• Kwantitatieve Prestaties:
  • CoQui behaalde de beste of gedeelde beste Fréchet Inception Distance (FID) scores op 4 van de 10 MNIST-klassen en 7 van de 10 Fashion-MNIST-klassen vergeleken met een klassieke INR-GAN.
  • Het presteerde beter dan PQWGAN en de standaard setting van de Quantum Wasserstein QGAN in zowel visuele kwaliteit als FID-scores op de volledige 10-klasse datasets.
  • CoQui vertoonde betere lage-niveau visuele statistieken (helderheid en Sobel-randconsistentie) vergeleken met amplitude-mapping methoden, die wazigere monsters produceerden door pixelkoppeling.
• Ablatie Studies:
  • Circuit Architectuur: De voorgestelde gestructureerde circuit (feature-to-color modulatie) presteerde beter dan een hardware-efficiënte ansatz op het gebied van FID, JSD en randstatistieken.
  • Componenten: Het verwijderen van de geschaalde data re-uploading veroorzaakte de meest significante prestatieverslechtering (FID steeg van ~40 naar ~56), wat het belang van laag-gewijze inputschaling onderstreept.
  • Capaciteit: Het verhogen van het aantal feature-qubits boven de 4 of de circuitdiepte boven de 20 lagen leverde verminderde meeropbrengsten of zelfs lichte degradatie op, wat suggereert dat circuits met een geringe tot matige diepte voldoende zijn voor deze taak.

Betekenis en Claims

Het artikel claimt dat CoQui een belangrijke stap voorwaarts is in end-to-end quantum beeldgeneratie. Door over te stappen van amplitude-mapping naar coördinaat-geconditioneerd impliciet leren, pakt de methode de fundamentele schaalbaarheid bottleneck van QGANs aan, waardoor beeldgeneratie met hoge resolutie mogelijk is zonder een evenredige toename van het aantal qubits.

De auteurs benadrukken dat hun aanpak een flexibelere route biedt voor het modelleren van beeldverdelingen, wat nauwkeurige controle over individuele pixelwaarden mogelijk maakt zonder de beperkingen van globale waarschijnlijkheidsnormalisatie. Hoewel de huidige evaluatie beperkt is tot klassieke simulaties op grayscale benchmarks zonder hardware-ruis, legt het werk een fundament voor toekomstige implementatie op echte kwantumapparaten, met potentiële uitbreidingen naar hogere resoluties en kleurbeeldgeneratie.