劉文杰，趙膠膠，張 穎，葛業(yè)波

（1.南京信息工程大學(xué)計算機(jī)與軟件學(xué)院,江蘇南京 210044；2.數(shù)字取證教育部工程研究中心,江蘇南京 210044；3.南京信息工程大學(xué)自動化學(xué)院,江蘇南京 210044）

1 引言

生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）是一種深度學(xué)習(xí)模型，是近年來復(fù)雜分布上無監(jiān)督學(xué)習(xí)最具有應(yīng)用潛力的方法之一.它由Goodfellow［1］在2014年提出，該模型由生成器和判別器兩部分組成.隨后，很多學(xué)者利用GAN 在圖像生成［2］、超分辨［3］、圖像轉(zhuǎn)換［4］等領(lǐng)域取得了優(yōu)異成果，但其過程是不可控的.為了改善上述問題，Mirza 等人［5］提出了條件生成對抗網(wǎng)絡(luò)（Conditional Generative Adversarial Network，CGAN），在輸入層隱變量中增加條件約束引導(dǎo)GAN 從條件分布中采樣.2018 年Miyato 等人［6］提出了一種基于投影方法的CGAN算法，將條件約束信息增加到判別器中，提高了數(shù)據(jù)生成的質(zhì)量.但CGAN 生成離散數(shù)據(jù)的效果較差，并且巨大的計算開銷可能會使GAN 達(dá)到摩爾定律的極限.與經(jīng)典GAN 相比，量子GAN 可能存在著潛在的指數(shù)優(yōu)勢［7］.

量子生成對抗網(wǎng)絡(luò)（Quantum Generative Adversarial Network，QGAN）是一種基于量子電路［8］的算法.2018年Lloyd等人［9］提出QGAN，從理論角度分析了三種量子對抗學(xué)習(xí)場景以及QGAN 潛在的量子優(yōu)勢.2019 年Situ 等人［10］提出利用量子玻恩規(guī)則生成離散數(shù)據(jù)，解決了離散數(shù)據(jù)生成問題.Zeng等人［11］提出了生成對抗量子電路（Generative Adversarial Quantum Circuits，GAQC）算法，利用量子玻恩規(guī)則探索量子電路有效采樣能力，并利用BAS（Bars-And-Stripes）數(shù)據(jù)集進(jìn)行實驗驗證.由于受限于算法發(fā)展和可用的量子資源，先前的QGAN 實驗主要針對單量子比特量子態(tài)的生成和加載［12］.一些學(xué)者關(guān)于QGAN 的應(yīng)用也做了研究［13，14］.但這些算法生成過程具有較大的隨機(jī)性.Dallaire-Demers 等人［15］提出了一種帶有條件約束的QuGAN 算法.該算法加強了對生成數(shù)據(jù)的控制，但它求解梯度時需要復(fù)雜的受控操作和誤差糾錯，不適合目前的嘈雜中型量子時代.最近，Liu等人［16］提出了一個混合量子-經(jīng)典條件生成對抗網(wǎng)絡(luò)算法，該算法提高了生成過程的可控性，但只適合生成經(jīng)典數(shù)據(jù).

為解決這個問題，本文提出了一種量子條件生成對抗網(wǎng)絡(luò)（Quantum Conditional Generative Adversarial Network，QCGAN）算法.采用one-hot 形式進(jìn)行多粒子W態(tài)編碼，使生成器具備根據(jù)條件信息生成特定數(shù)據(jù)的能力.生成器和判別器都由參數(shù)化量子電路（Parameterized Quantum Circuit，PQC）構(gòu)成，前者用來生成擬合訓(xùn)練集的新樣本，后者用來判斷新樣本的真?zhèn)我约皹颖九c條件信息是否匹配.該算法適用于經(jīng)典和量子數(shù)據(jù)分布學(xué)習(xí)，降低了時間復(fù)雜度且可有效收斂到Nash均衡點.

2 生成對抗網(wǎng)絡(luò)算法原理

2.1 條件生成對抗網(wǎng)絡(luò)

針對GAN 訓(xùn)練過程不可控的問題，條件生成對抗網(wǎng)絡(luò)CGAN 在生成器G 和判別器D 輸入中加入條件變量y進(jìn)行約束和指導(dǎo).條件變量y可以是任何標(biāo)簽信息，如人臉圖像的面部表情、圖像的類別等.在CGAN框架下，G 更關(guān)注與條件約束密切相關(guān)的樣本特征，并控制訓(xùn)練過程以生成更高質(zhì)量的數(shù)據(jù).G 的輸出可視為從條件分布pG(x|y)中進(jìn)行采樣，因此CGAN 的目標(biāo)函數(shù)為

CGAN 算法需同時對噪聲矢量z和條件變量y進(jìn)行采樣，因此為了提高G 擬合真實分布的能力，根據(jù)生成目標(biāo)設(shè)置合理的條件變量至關(guān)重要.最常見的一種方法是直接從訓(xùn)練數(shù)據(jù)中選定條件變量，讓G和D在接收輸入時就得到關(guān)于訓(xùn)練集的部分先驗知識，此時CGAN可看作是弱監(jiān)督或有監(jiān)督模型.

2.2 量子生成對抗網(wǎng)絡(luò)

盡管CGAN算法在很多領(lǐng)域都表現(xiàn)出優(yōu)異的性能，但該算法無法直接生成離散數(shù)據(jù).而量子生成對抗網(wǎng)絡(luò)QGAN 算法通過對生成器電路采樣可直接生成離散數(shù)據(jù)，因此吸引了廣泛關(guān)注.

量子生成對抗網(wǎng)絡(luò)QGAN 算法流程如圖1所示，該算法從原理上也是構(gòu)造G 和D 的零和博弈.與經(jīng)典生成對抗網(wǎng)絡(luò)不同的是，G 和D 都由參數(shù)化量子電路PQC構(gòu)成.量子數(shù)據(jù)集用密度矩陣表示，對應(yīng)于經(jīng)典數(shù)據(jù)集的協(xié)方差矩陣.量子數(shù)據(jù)集通過量子設(shè)備生成，可以直接作為PQC 的輸入，而經(jīng)典數(shù)據(jù)集需要編碼成量子態(tài)輸入到D 中.在博弈過程中，G 的目標(biāo)是生成一個量子態(tài)迷惑判別器，讓其無法判斷這個量子態(tài)是目標(biāo)態(tài)還是生成態(tài).相反，D 的目標(biāo)是要區(qū)分G 生成的量子態(tài)和數(shù)據(jù)源的目標(biāo)態(tài).假設(shè)G 和D 有足夠的能力，這個模型就會收斂到Nash 均衡點，即判別器不能判別輸入是真是假.Lloyd 等人［9］指出，利用QGAN 生成高維數(shù)據(jù)時，對抗性量子博弈學(xué)習(xí)有潛力以指數(shù)級加速收斂到Nash均衡點.

圖1 量子生成對抗網(wǎng)絡(luò)算法示意圖

3 一種量子條件生成對抗網(wǎng)絡(luò)算法

量子生成對抗網(wǎng)絡(luò)QGAN 算法生成過程具有較大的隨機(jī)性，本文所提的QCGAN 算法可提高生成過程的可控性，其流程如圖2 所示.該算法的G 用來生成擬合訓(xùn)練集的新樣本，D用來判斷新樣本的真?zhèn)我约皹颖九c條件信息是否匹配.在數(shù)據(jù)準(zhǔn)備階段，根據(jù)生成任務(wù)的目標(biāo)和數(shù)據(jù)特征引入條件約束，并將經(jīng)典條件信息編碼為量子態(tài)下面對算法過程涉及的關(guān)鍵操作和訓(xùn)練策略進(jìn)行詳細(xì)說明.

圖2 量子條件生成對抗網(wǎng)絡(luò)算法框架

3.1 條件信息的W態(tài)編碼及電路設(shè)計

條件信息的W態(tài)編碼及電路如圖3 所示是按照真實樣本概率分布將m類條件變量制備成的量子態(tài)

用one-hot 方法對條件信息進(jìn)行編碼.假設(shè)待分類種類為m，制備的電路如圖3 所示，其中條件寄存器初態(tài)為對應(yīng)的量子位為Q1，Q2，…，Qm.制備過程為：（1）采用Ry和CNOΤ 門，通過調(diào)整單量子比特門旋轉(zhuǎn)角度，將量子比特制備成只包含m項的特殊態(tài)，即

（2）經(jīng)過圖3中的Ⅱ之后，量子態(tài)變?yōu)?/p>

對于企業(yè)的內(nèi)部控制定義，可以解釋為：在企業(yè)內(nèi)部，企業(yè)的管理層、企業(yè)的決策層以及企業(yè)內(nèi)部的全體員工共同參與的，以期實現(xiàn)企業(yè)的基本目標(biāo)的，一系列經(jīng)營控制活動。而企業(yè)的內(nèi)部控制最主要目的，就是在保證投資者最高利益的基礎(chǔ)上，能夠創(chuàng)新出更多新型的、價值的內(nèi)容。其具體實施體現(xiàn)在會計信息的準(zhǔn)確性上，根據(jù)國家法律法規(guī)的規(guī)定內(nèi)容，以及不同地方的政策規(guī)定，在使企業(yè)的財產(chǎn)和資源更加完整的基礎(chǔ)上，實現(xiàn)企業(yè)長期發(fā)展中的經(jīng)濟(jì)效益提升。

圖3 制備m分類的量子電路

采用one-hot 方式對條件信息進(jìn)行量子態(tài)編碼，需要用到的量子比特數(shù)相對較多，但可減少數(shù)據(jù)量子/經(jīng)典后處理時再轉(zhuǎn)換成其他編碼形式的工作量.

3.2 量子生成器和量子判別器電路設(shè)計

在算法中，G 和D 都由PQC 構(gòu)成，且PQC 由旋轉(zhuǎn)層和糾纏層作為基礎(chǔ)電路模塊組成.旋轉(zhuǎn)層可由單量子比特RX、RY和RZ構(gòu)成，糾纏層可由CNOΤ 門、SWAP 門或CRX、CRY 和CRZ 門組成，其拓?fù)浣Y(jié)構(gòu)可為：線型、環(huán)型、星型和全連接型.

生成器G 電路如圖4所示，寄存器對應(yīng)的量子位用Qj表示，其中j={1，2，…，l}.對G 來說，需要（ll=d+m）個量子位，其中數(shù)據(jù)寄存器有d個量子位，用來生成樣本數(shù)據(jù)；條件信息寄存器有m個量子位，用來接收m類條件信息.它們的初始態(tài)分別為表示制備量子態(tài)的電路模塊.在電路中，旋轉(zhuǎn)層和糾纏層交替迭代LG次，其中i∈{1，2，…，LG}，θ是G的參數(shù).

圖4 生成器G的量子電路

圖5 判別器D的量子電路

用泡利Z測量D 的最終態(tài)，其結(jié)果為其中i表示量子位索引表示輸入到判別器的數(shù)據(jù)

3.3 對抗訓(xùn)練策略設(shè)計

量子條件生成對抗網(wǎng)絡(luò)的訓(xùn)練是具有反饋回路的參數(shù)優(yōu)化量子算法，生成器和判別器的可訓(xùn)練參數(shù)分別記為θ和φ，其目標(biāo)函數(shù)為

4 性能評析

表1 五種生成對抗網(wǎng)絡(luò)算法性能對比(生成數(shù)據(jù)類型中,C表示連續(xù)數(shù)據(jù),D表示離散數(shù)據(jù))

由于損失函數(shù)可微性限制，經(jīng)典算法（GAN、CGAN等）無法直接生成離散數(shù)據(jù)，而量子QGAN 對電路采樣可直接生成離散數(shù)據(jù).對于生成N維數(shù)據(jù)分布，經(jīng)典GAN 算法時間復(fù)雜度為O(N2).而量子信息處理器僅需logN（qubits），其時間復(fù)雜度為O(N).

對于GAQC 來說，需要2d（qubits）制備真實數(shù)據(jù)和量子編碼.但其生成過程具有較大的隨機(jī)性，不太適用于現(xiàn)實場景.對于帶條件約束的QuGAN 和QCGAN 算法，G 增加了條件信息的輸入，消耗的量子資源也會增加.其中，QuGAN生成器和真實源都需要d（qubits）生成目標(biāo)數(shù)據(jù)，m（qubits）表示條件信息和n（qubits）輔助位；判別器需要m（qubits）表示條件信息，s（qubits）輔助位，2（qubits）用來輸出判斷結(jié)果和求解梯度；故QuGAN總資源消耗為2d+3m+2n+s+2（qubits）.而QCGAN 算法的G和D都只需d（qubits）生成目標(biāo)數(shù)據(jù)，m（qubits）表示條件信息，故QCGAN 總資源消耗為2d+2m（qubits）.因此，QCGAN比QuGAN算法消耗更少量子資源.

5 實驗與分析

本文采用PennyLane 平臺進(jìn)行算法仿真，分別完成經(jīng)典數(shù)據(jù)和量子混合態(tài)的生成任務(wù).

5.1 經(jīng)典數(shù)據(jù)的生成

5.1.1 BAS(Bars-And-Stripes)數(shù)據(jù)集

與GAQC 算法［11］一樣，本文采用BAS 數(shù)據(jù)集進(jìn)行模型訓(xùn)練.本實驗生成目標(biāo)是BAS（3，3）圖像.訓(xùn)練集中總共有14 種有效模式圖且符合均勻分布，這些圖像可分為三類：橫條紋、豎條紋和全色圖（像素值全0或全1），根據(jù)one-hot 規(guī)則分別標(biāo)注為：001、010 和100 編碼，如圖6所示.

圖6 BAS(3,3)數(shù)據(jù)集分類示意圖

5.1.2 實驗設(shè)置

在實驗中，訓(xùn)練集均包含6 000 個訓(xùn)練樣本.為公平起見，將epoch 均設(shè)置為200，迭代訓(xùn)練次數(shù)為10，批次大小為600，初始學(xué)習(xí)率為0.001，衰減率為0.1.另外，利用量子Adam優(yōu)化器優(yōu)化G和D.

GAQC 算法不需要條件信息的W態(tài)編碼及電路設(shè)計，因此G 和D 都只需要9（qubits）處理數(shù)據(jù)的信息，QCGAN 算法除了要處理數(shù)據(jù)信息，還需要3（qubits）接收條件信息.因此，根據(jù)圖4和5，QCGAN算法G和D的電路可簡化為圖8 和9.其中，圖8 中是圖7 制備的，電路旋轉(zhuǎn)層選用RY門，糾纏層選用環(huán)型連接CRY門.它們的電路參數(shù)分別為108和36個，且初始值從均勻分布U[0，2π)中隨機(jī)采樣.

圖7 制備三粒子W態(tài)的量子電路

圖8 生成BAS數(shù)據(jù)的生成器G的量子電路

圖9 生成BAS數(shù)據(jù)的判別器D的量子電路

5.1.3 實驗結(jié)果分析

GAQC 和QCGAN 算法損失函數(shù)分別如圖10 和11所示.QCGAN 算法在迭代次數(shù)為800 時就收斂到了Nash 均衡點，且模型基本趨于穩(wěn)定.因此，與GAQC 相比，QCGAN生成圖像的效率更高.

圖10 GAQC算法的損失變化曲線

訓(xùn)練完成后，對G 進(jìn)行1000 次采樣分析生成分布，結(jié)果如圖12 所示.其中，圖12（a）和12（b）分別是GAQC 和QCGAN 算法生成BAS 數(shù)據(jù)的概率分布，橫坐標(biāo)是用十進(jìn)制數(shù)表示的BAS 數(shù)據(jù)，軸坐標(biāo)表示對應(yīng)的概率值.紅線表示目標(biāo)概率分布，藍(lán)線表示經(jīng)過訓(xùn)練后G 輸出的概率分布.從圖12（a）和圖12（b）可看出QCGAN 算法生成的數(shù)據(jù)絕大多數(shù)都落在14 種BAS 有效模式圖中，且三類條紋圖基本符合均勻分布.圖12（c）是GAQC 算法生成的前100個像素圖，從中可看出GAQC 有兩處既沒有正確生成橫或豎條紋.而如圖12（d）所示，可看出QCGAN算法的G 經(jīng)過訓(xùn)練已具備生成BAS（3，3）數(shù)據(jù)的能力.

圖11 QCGAN算法的損失變化曲線

圖12 生成BAS(3,3)數(shù)據(jù)結(jié)果

GAQC 與QCGAN 算法生成BAS 數(shù)據(jù)準(zhǔn)確率如表2所示.從表中可看出，QCGAN 算法準(zhǔn)確率為0.968 3，而GAQC 算法準(zhǔn)確率僅為0.953 2.QCGAN 算法準(zhǔn)確率高的原因是該算法加入了條件變量，使模型得到了更多關(guān)于真實數(shù)據(jù)的信息.

表2 算法生成BAS數(shù)據(jù)集的準(zhǔn)確率

5.2 量子數(shù)據(jù)的生成

5.2.1 實驗準(zhǔn)備

圖13 制備的量子電路

圖14 生成量子數(shù)據(jù)的生成器G的量子電路

將epoch 設(shè)置為300，并采用Adam 優(yōu)化器進(jìn)行優(yōu)化.定義表示兩個狀態(tài)的重疊情況，反映了量子電路的保真度.

圖15 生成量子數(shù)據(jù)的判別器D的量子電路

5.2.2 實驗結(jié)果分析

生成量子數(shù)據(jù)的損失函數(shù)如圖16 所示.在迭代次數(shù)為500時，生成器和判別器的損失函數(shù)已基本收斂到Nash 均衡點，但在后續(xù)的訓(xùn)練中G 和D 的損失函數(shù)值都出現(xiàn)了輕微的震蕩（這是該類算法生成量子數(shù)據(jù)普遍存在的現(xiàn)象［15］）.

圖16 生成量子數(shù)據(jù)的損失變化曲線

QCGAN 算法生成態(tài)和目標(biāo)態(tài)之間的保真度如圖17 所示.從圖中可看出，通過對抗訓(xùn)練，G 生成的最終態(tài)和目標(biāo)態(tài)的保真度逐漸增加并收斂于1，因此該算法能根據(jù)輸入生成目標(biāo)量子混合態(tài).

圖17 生成量子數(shù)據(jù)的保真度變化曲線

圖18 分類生成量子態(tài)采樣結(jié)果

6 總結(jié)

本文提出的QCGAN 算法是一種適用于經(jīng)典和量子數(shù)據(jù)分布學(xué)習(xí)的方案.該算法通過在輸入層增加條件約束，有效引導(dǎo)網(wǎng)絡(luò)生成符合特定要求的數(shù)據(jù)，提高了生成過程的可控性.與經(jīng)典GAN 相比，本文提出的QCGAN 算法的時間復(fù)雜度更低；與QuGAN 相比，QCGAN 消耗更少的量子資源.另外，以BAS（3，3）數(shù)據(jù)集和量子混合態(tài)生成為例，選用PennyLane 進(jìn)行仿真實驗，結(jié)果表明QCGAN 算法經(jīng)過訓(xùn)練可有效收斂到Nash均衡點.

隨著問題規(guī)模的擴(kuò)大，算法PQC 中量子位或門數(shù)量會急劇上升，容易出現(xiàn)“貧瘠高原”現(xiàn)象（由于運算規(guī)模急劇上升，導(dǎo)致電路參數(shù)的梯度均值為0、方差隨著量子比特個數(shù)的增加呈指數(shù)減少）.下一步工作，我們將研究通過優(yōu)化量子電路結(jié)構(gòu)，改進(jìn)電路參數(shù)優(yōu)化迭代策略等手段，減少一次迭代可訓(xùn)練參數(shù)個數(shù)和電路深度，從而減輕貧瘠高原的負(fù)面影響.