比较经典和量子采样下玻尔兹曼机作为生成对抗网络中联想记忆的效果
摘要：对生成对抗网络（GAN）这个有前途的深度学习框架进行了量子效应的探索研究。在通常的GAN框架中，生成器将均匀噪声映射为虚假图像。在本研究中，我们利用了联想对抗网络（AAN），它由标准GAN和关联记忆组成。另外，我们将维度较低的特征从鉴别器中提取出来的Boltzmann机（BM）设置为记忆。由于难以计算BM的对数似然梯度，需要利用从具有临时参数的BM获得的样本均值来近似计算。为了计算样本均值，通常使用马尔可夫链蒙特卡洛（MCMC）算法。在先前的研究中，使用量子退火器设备进行了这项工作，并将"Quantum" AAN的性能与标准GAN进行了比较。然而，它相较于标准GAN的更好性能尚不完全理解。在本研究中，我们引入了两种抽样方法：经典抽样（通过MCMC）和量子抽样（通过经典计算机上的量子蒙特卡洛模拟）。然后，我们比较这些方法以研究量子抽样是否具有优势。具体而言，通过计算鉴别器损失、生成器损失、Inception分数和Fr\'{e}chet Inception距离，我们讨论了AAN的可能性。研究结果表明，由MCMC和QMC训练的AAN在训练过程中更加稳定，并且生成的图像更加多样化。然而，结果表明，与MCMC相比，QMC模拟没有在抽样方面存在差异。
作者：Mitsuru Urushibata, Masayuki Ohzeki and Kazuyuki Tanaka
论文ID：2203.15220
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2022-07-13