- 文献综述（或调研报告）：
摘要
玻恩的量子力学统计解释阐述了波函数与概率分布之间的关系。由此采用量子电路构造的神经网络可以克服传统神经网络中采样问题上存在的不便，有着更强大的表达能力。对于处于深度学习领域最前沿的对抗生成网络，同样可以用量子电路构建网络中的生成模型部分，并且采用基于梯度的优化方法，完成对于网络的训练。该毕业设计项目的目标是构建具有生成服从目标分布的量子对抗生成网络，并对网络的性能进行分析。
关键词：生成模型，量子电路，对抗生成网络，梯度优化
项目背景
2014年，Ian J. Goodfellow在Generative Adversarial Networks[1]中提出了一个通过对抗过程估计生成模型的新框架。框架中同时训练两个模型：捕获数据分布的生成模型G，和估算样本来自训练数据的概率的判别模型D。G的训练程序是将D错误的概率最大化。这个框架对应一个最大值集下限的双方对抗游戏。可以证明在任意函数G和D的空间中，存在唯一的解决方案，使得G重现训练数据分布，而D=0.5。在G和D由多层感知器定义的情况下，整个系统可以用反向传播进行训练。
对抗神经网络拥有很广泛的应用场景，尤其集中在计算机视觉、视频、语音处理领域。2016年，Apple公司的研究人员在论文Learning from Simulated and Unsupervised Images through Adversarial Training[2]中提出了一种利用无监督对抗学习进行图像增强的生成网络，这种网络生成出的图片，相比于普通的生成网络的结果，具有更高的真实性，拥有更多的细节信息。2017年，Twitter公司的研究人员在论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network[3]中提出一种可以实现图片恢复的对抗生成网络。以上的研究内容在对抗网络的应用方面有很强的代表性。对抗神经网络可以通过改变网络结构，如Unsupervised representation learning with deep convolutional generative adversarial networks[4]中使用的卷积神经网络等，延伸出许多不同的用途。
传统的神经网络在采样问题上存在着许多的不便，而量子化的神经网络可以有效地克服这些不便。量子计算已经广泛地被应用于机器学习领域，论文Quantum Machine Learning[5]对量子机器学习做了一个简单的介绍，并将这一领域与传统的机器学习进行了对比。现在对于量子电路在生成网络方面的应用的研究已经有一定的规模，论文A generative modeling approach for benchmarking and training shallow quantum circuits[6]中，作者提出了一种构造深度较浅的量子生成网络且利用传统方法训练网络的理论。论文A quantum approximate optimization algorithm[7]中则介绍了一种名为VQE的模型。
在文献Differentiable Learning of Quantum Circuit Born Machine[8]中，作者提出了一种全新的生成网络模型：玻恩模型。玻恩模型基于玻恩对量子力学的统计学解释，将生成样本服从的概率分布与目标分布间的最大均方差作为损失函数，通过传统方法进行训练，构造出一个网络，使其具有生成服从某种目标分布的样本的能力。
技术简介
本毕设项目的目标是构造一个量子化的对抗生成网络。项目的主要内容可以划分为两个部分：量子化的生成模型G的构造和训练，传统神经网络的判别模型D的构造和训练，如上文中介绍的，网络的训练方法是生成模型G和判别模型D交替训练，使得生成模型G重现训练数据分布，而判别模型的输出D=0.5。在此目标下，项目的主要技术任务集中于对生成模型G的构建。
