主页 › 范文 › 航道工程 › 本文

混合量子生成对抗网络的参数效率研究：基于海路图几何特性

摘要

文章首次将量子-经典混合生成对抗网络（QuGANs）应用于海运路线图生成任务，研究其参数效率与几何特性学习能力。通过构建4端口海路图数据集（1000个样本，强制三角形不等式约束），比较经典GAN（265参数）与四种QuGAN模型（36-132参数）。结果表明：QuGANs在有效图比例（80%）上媲美经典模型，但生成变异性不足；最优QuGAN(66)模型以半数参数实现相似分布拟合度（双峰分布近似）。该研究为量子生成模型在几何约束数据上的应用提供了新范式。

1. 研究背景与动机

量子计算（QC）的生成能力与生成式人工智能高度契合，但量子-经典混合生成对抗网络（QuGANs）在复杂几何数据生成中的应用尚未探索。文章针对海运路线图生成问题，首次系统评估QuGANs的参数效率与几何特性学习能力。

2. 理论基础

2.1 经典生成对抗网络

GAN框架包含生成器G和判别器D，通过极小极大博弈优化：

\[ \min_{G}\max_{D}V(D,G) = \mathbb{E}_{x\sim p_{\text{data}}}[\log D(x)] + \mathbb{E}_{z\sim p_{z}}}[\log(1-D(G(z)))] \]

其中二元交叉熵损失函数定义为：

\[ \text{BCE}(y,d) = -(y \log(d) + (1-y) \log(1-d)) \]

模式崩溃是主要挑战，导致训练不稳定。

2.2 量子混合生成对抗网络

QuGAN将G或D替换为变分量子电路（VQC），经典数据通过特征映射转换为量子态，经参数化量子门处理后测量输出。参数更新基于BCE损失的梯度下降。

3. 实验设计

3.1 数据预处理

基于searoute包随机采样4个港口（总数3669），计算港口间最短海路距离构建全连接图。排除港口间距<100海里的样本以确保三角形不等式约束。数据集包含1000个图，边权重归一化总和为1。

3.2 模型架构

经典GAN：判别器（3层全连接，129参数）；生成器（隐藏层10神经元，136参数）
混合QuGAN：共享经典判别器，量子生成器采用两种Ansatze（SU(2) 2-local电路）：
- 类型1：Pauli-Y门（36/66参数）
- 类型2：旋转-Y门（72/132参数）

3.3 评估指标

核心指标为有效图比例（满足三角形不等式）和生成边权重的标准差。基线为随机采样（27.9%有效图）。

4. 结果分析

4.1 几何特性学习能力

所有QuGAN模型在有效图比例上均超越随机基线（27.9%）：

QuGAN(36)与QuGAN(132)稳定保持≈80%有效图
经典GAN训练缓慢，最终有效图60-80%
QuGAN(66)变异性最高（标准差0.078），逼近训练数据（0.0826）

4.2 分布拟合与参数效率

边权重分布分析显示：

经典GAN与QuGAN(66)较好拟合双峰分布
其他QuGANs呈现单峰分布，准确性较低

参数量对比：QuGAN(66)仅用66参数，性能媲美265参数经典GAN，验证量子模型参数高效性。

5. 结论与展望

文章证明混合QuGANs在几何约束图生成任务中具有显著参数效率，最优模型QuGAN(66)以1/4参数量实现经典GAN可比性能。主要局限为生成变异性不足，未来需探索新型量子电路设计（如Reducing-Width-QNNs）以提升分布拟合能力。