摘要
将量子资源与经典计算资源相结合，开发出更有效的算法是计算机科学中最有前途的研究方向之一。在量子经典混合框架中，现有的量子设备可以最大限度地用于实际应用。在此大背景下，量子机器学习作为量子计算与经典机器学习领域相结合的交叉学科受到了政府和研究人员越来越多的关注。很多学者开始考虑将量子计算的并行计算能力和不确定性等方面的优势与机器学习任务相结合，提出新的具有特殊应用的算法。生成对抗网络提供了一种无需大量标注训练数据就能学习高维概率分布的方法。量子计算社区最近开始研究不同的量子生成算法，学习高维量子态的潜在生成方式。 本文利用量子计算的潜在优势，对生成对抗网络的量子泛化进行研究，设计了量子生成对抗网络算法，改进了量子生成对抗网络中生成器和判别器的基础网络结构，拓展了量子生成对抗算法在噪声领域和量子图像处理领域的研究与应用。本文的研究成果概括如下： 1.针对量子生成对抗网络训练困难的缺陷，本文提出了一种基于量子切尔诺夫界的量子生成对抗网络算法。其基本思想是：在量子生成对抗网络结构不变的情况下，引入量子切尔诺夫界，改进其损失函数。实验显示，改进后的量子生成对抗网络不仅提升了收敛速度，而且提升了最终结果的精确度。 2.针对量子生成对抗网络的量子线路结构复杂的缺点，本文改进了量子生成对抗网络量子线路中基础构造块的线路组成。通过量子门解析梯度的简化将基础构造块的量子门数量由15个减少到13个。通过数值模拟量子噪声的影响，对量子线路的抗噪声能力进行研究与分析。 3.针对量子生成对抗网络只能生成量子态而没有与经典图像数据结合的缺点，本文提出了基于量子生成对抗网络的量子图像学习与生成。其基本思想是：通过设计经典图像与量子态的编码方式，将经典图像编码进量子态中，然后通过量子生成对抗网络学习并生成量子图像。这种方式不仅可以用于已知图像的生成，而且可以学习其他程序生成的未知量子图像。
NETL