趋近智
生成式建模旨在学习数据分布 ,并创建与原始数据类似的新的样本 。本章介绍处理此任务的量子方法。经典的生成对抗网络(GANs)和变分自编码器(VAEs)等方法提供了支撑,但量子电路或能提供不同方式来表示复杂概率分布并从中采样。
您将学习两种主要的量子生成模型:
我们将讨论这些模型的运行原理、架构以及相关的具体训练难题,例如平衡 QGANs 中的对抗性组件。您还将学习评估生成样本质量的方法,以及从训练好的量子模型中有效采样所需的技巧。本章最后将通过一个实现基本 QGAN 的实践练习结束。
6.1 经典生成模型回顾
6.2 量子电路玻恩机用于分布学习
6.3 量子生成对抗网络 (QGANs)
6.4 训练 QGAN 的挑战与架构
6.5 评估量子生成模型
6.6 量子生成模型取样
6.7 动手实践:实现一个基础QGAN
© 2026 ApX Machine Learning用心打造