探讨量子生成模型部署需重新思考泛化理论
原文："Train classical, deploy quantum" requires rethinking generalization
生成式模型已成为科学和工业领域的核心，从图像和文本合成到分子与材料设计。量子生成模型被视为量子计算机最有前途的应用之一，因为量子电路天然地从其编码的分布中产生样本，而对于合适的电路，该分布被认为对任何经典计算机都难以复现。一种主流策略是在经典计算机上训练这些模型，并将量子设备保留用于部署时的样本生成。这在训练损失可以在经典计算机上计算时是可行的。一个典型例子是最大均值差异（MMD$^2$），一种通过 Pauli-$Z$ 关联比较模型与数据的矩匹配损失。迄今为止的研究主要关注这类模型能否被训练以及其采样是否困难；而最小化此类目标是否会产生一个能够泛化的模型，而非仅仅复现训练统计特性的模型，仍知之甚少。我们通过直接采样对广泛的量子和经典生成模型进行了基准测试，结果表明以矩匹配损失训练的模型通常比以似然训练的模型泛化更差。我们在两个受应用启发的数据集上验证了这一点：一是规模高达 $30$ 比特的基数约束数据集，二是基因组单核苷酸变异的数据集，其有效集合即为观测数据。这些结果表明，收敛的矩匹配损失并非泛化的可靠度量，“经典训练、量子部署”的工作流将需要直接针对泛化的方法；至于更好的训练目标是否足够，还是必须改变模型架构本身，仍是开放问题。作者：Snehal Raj, Natansh Mathur, Alejandro Perdomo-Ortiz 分类：quant-ph,cs.LG