Das Quantum Generative Adversarial Model: Worum geht es?

Im Juni 2014 schlugen Ian Goodfellow und einige seiner Kollegen die Idee eines generativen gegnerischen Netzwerks vor. Wenn Sie mit maschinellem Lernen vertraut sind, haben Sie wahrscheinlich schon einmal von GANs (oder vielleicht sogar von qGANs) gehört.

Wenn Sie dies jedoch nicht getan haben, ärgern Sie sich nicht; Sie sind an der richtigen Stelle. Wenn Sie daran interessiert sind, mehr zu erfahren, lesen Sie mit, um eine einfache und prägnante Aufschlüsselung über quantengenerative KI zu erhalten.

Ein Generative Adversarial Network (GAN) ist eine Art maschinelles Lernmodell, das neue Daten generieren kann, die den ursprünglich bereitgestellten Trainingsdaten ähneln. Dank dieser ML-Klasse waren Unternehmen in der Lage, genaue Darstellungen von Dingen zu erstellen, die gar nicht existieren – und noch viel mehr .

Wie man durch die Verwendung des Wortes „ gegnerisch“ vermuten kann, bestehen GANs aus einem Generator und einem Diskriminator; zwei neuronale Netze, die in einem Nullsummenspiel gegeneinander antreten.

Der Generator eines GAN lernt, neue Daten zu erzeugen, die den Daten ähneln, mit denen er trainiert wurde, während sein Gegenstück, der Diskriminator, lernt, zwischen echten und generierten Daten zu unterscheiden. Der Diskriminator erzeugt dann eine binäre Ausgabe, die angibt, ob er glaubt, dass die von ihm analysierten Daten echt oder falsch waren, und diese wird dann zur Iteration in den Generator zurückgeführt.

Durch diesen kontradiktorischen Trainingsprozess wird der Generator besser darin, realistische Daten zu erzeugen, während der Diskriminator besser darin wird, gefälschte Daten zu identifizieren. Das ultimative Ziel ist jedoch, dass das GAN einen Konvergenzzustand erreicht , in dem der Generator so effektiv ist, dass die Chance des Diskriminators, gefälschte von echten Daten zu unterscheiden, sich der eines Münzwurfs annähert – 50/50.

In dieser Situation wird das GAN erfolgreich in der Lage sein, jede Art von Daten basierend auf seinem ursprünglichen Datensatz zu produzieren. Wenn der Diskriminator nicht mehr zwischen dem Realen und dem Künstlichen unterscheiden kann, wird der Mensch es wahrscheinlich auch nicht können.

Hinzufügen von Quantenberechnung zum Mix

GANs sind jedoch nicht perfekt.

Sie können ziemlich rechenintensiv sein, wenn Sie versuchen, mehr Ausgaben zu erzeugen, und sie erfordern viele Ressourcen. Dies liegt daran, dass GANs eine große Anzahl von Iterationen benötigen, um effektiv zu trainieren, und jede Iteration die Berechnung des Vorwärts- und Rückwärtsdurchgangs sowohl des Generators als auch des Diskriminators umfasst.

Durch die Integration der Quantentechnologie in den Mix wird dieses Problem jedoch viel einfacher zu lösen.

Quantum Generative Adversarial Networks (qGANs) nutzen Quantenalgorithmen und Hardware, um synthetische Daten zu generieren. In der Praxis integrieren sie parametrisierte Quantenschaltkreise entweder in den Diskriminator, Generator, Datensatz ( in diesem Fall werden die anfänglichen Datenpunkte durch Quantenzustände dargestellt ) oder sogar in verschiedene Kombinationen der drei .

Sehen wir uns der Einfachheit halber an, wie der generative Prozess mit der Integration von Quanten in alle Komponenten aussehen würde.

Zu Beginn der Ausbildung eines qGAN arbeitet der Quantengenerator ähnlich wie ein klassischer. Es versucht, Daten aus dem realen Datensatz ohne Hilfsmittel zu spiegeln, und gibt dann die Ausgabe (als Quantenzustand) an den Diskriminator weiter.

Die beiden Quantennetzwerke gehen dann hin und her und speisen sich gegenseitig, wobei der Generator versucht, realistischere Ausgaben zu erzeugen, und der Diskriminator versucht, seine Differenzierungsfähigkeiten zu verbessern.

In qGANs gehen Diskriminator und Generator jedoch anders vor, als ihre klassischen Pendants, um ihre Effizienz zu optimieren. Stattdessen zielen sie darauf ab, die idealen Parameter zu suchen, um den perfekten Quantenzustand zu bestimmen.

Die Parameter eines quantenneuronalen Netzes sind in diesem Zusammenhang die einstellbaren Werte, die das Verhalten des Netzes bestimmen. Diese Werte werden während des Trainingsprozesses festgelegt und können angepasst werden, um die Leistung des Netzwerks für eine bestimmte Aufgabe zu optimieren.

In der Praxis beinhaltet dieser Prozess also das abwechselnde Trainieren der Generator- und Diskriminatorschaltungen. Währenddessen müssen die Parameter des einen konstant gehalten werden, während der andere trainiert wird, um zu verhindern, dass Änderungen in einem Schaltkreis das Training des anderen beeinträchtigen.

Im Laufe der Zeit wäre die endgültige Absicht die gleiche wie die, die man in einem normalen GAN beobachten würde. Im Idealfall wäre der Diskriminator nicht mehr in der Lage, genau zwischen echten Quantenzuständen und denen des Generators zu unterscheiden. Die Erfolgswahrscheinlichkeit des Diskriminators würde wiederum der eines Münzwurfs nahekommen – 50/50.

Na und?

Nun, wie bereits erwähnt, besteht einer der vielen Hauptunterschiede zwischen qGANs und GANs darin, dass erstere Quantenzustände anstelle von Wahrscheinlichkeitsverteilungen verwenden können, um Daten zu generieren.

Diese Quantenzustände sind jedoch nützlicher, als man zunächst annehmen mag. Sie können verwendet werden, um komplexe Datenstrukturen wie Graphen und Moleküle darzustellen, die mit klassischen Wahrscheinlichkeitsverteilungen schwer darzustellen sind.

Darüber hinaus können qGANs möglicherweise die Vorteile der Quantenparallelität nutzen, um Daten viel schneller als klassische GANs zu generieren. Das liegt daran, dass Quantenschaltkreise viele Operationen parallel ausführen können, was für die Erzeugung großer Datenmengen nützlich sein kann.

Daher ist es nicht allzu schwierig, zu der Erkenntnis zu kommen, dass sich das qGAN deutlich von seinem ursprünglichen Derivat, dem klassischen GAN, unterscheidet. Also, wer weiß? Da sich die Quantentechnologie weiter verbessert, könnten qGANs zu einem zunehmend disruptiven Werkzeug in einer Vielzahl von Branchen werden, von der Quantenchemie bis zum modernen Finanzwesen.

Die Möglichkeiten sind endlos und das Potenzial riesig, sodass wir uns nur fragen müssen, welche Art von Quantensprüngen uns in der Zukunft der generativen Modellierung erwarten.

Hey; mein Name ist Samay! Ich bin ein Gymnasiast, der daran interessiert ist, die Welt um mich herum zu erkunden, und im Moment interessiere ich mich für Quantencomputer und ihre Anwendungen. Wenn Sie meinen Artikel gerne gelesen haben, abonnieren Sie meinen monatlichen Newsletter und fügen Sie mich auf LinkedIn hinzu , um über neue Projekte und Updates auf dem Laufenden zu bleiben! Fühlen Sie sich frei, mir auch eine E-Mail an [email protected] zu senden , wenn Sie eine Verbindung herstellen möchten!

Dieser Artikel wurde mit Bezug auf den Quantum Machine Learning-Kurs von Qiskit erstellt .