量子计算机虽然强大，但应用领域有限。最近，清华叉院孙麓岩团队的研究登上了Science Advances，其在超导电路上实现了量子生成对抗网络，精度高达98.8%，这项工作有望证明量子计算机在图像生成等领域超越经典计算机，将是量子机器学习的又一里程碑。

值得注意的是，证明“量子霸权”通常被认为需要至少50个量子比特，但该团队的研究使用的系统只有一个量子比特。

一、首次证明量子计算能利用GAN

生成对抗网络（GAN）由两个神经网络构成，即生成器和鉴别器。

生成器会生成数据，例如人脸图片；鉴别器既可以得到真实数据，也可以得到生成器创建的假数据，而且必须分辨出真假。它俩经过多轮的循环，最终生成器得到了更新，学会了如何产生更为逼真的图像，使得鉴别器无法再区分其真假。

而GAN也是近年来机器学习领域最令人兴奋的突破之一。它在图像、视频生成等各种具有挑战性的任务中表现突出，例如，能够生成无比逼真的人脸照片，以假乱真。

（GAN生成的照片）

从理论上讲，量子计算机在解决某些问题（如分解大数）方面比普通计算机具有速度优势。

“但就目前的技术水平而言，量子计算机还无法达到这一优势。”孙麓岩说。

研究人员认为，量子计算机上的GAN也可能具有这样的速度优势，但他们仍然需要明确证明这一点。

于是，利用量子生成器和鉴别器制造出一种量子GAN，成为证明“量子霸权”的又一案例。

二、量子生成对抗网络QGAN：准确率98.8%

孙麓岩团队实验性地演示了生成对抗网络的量子版本——QGAN，其中输入和输出数据都是量子比特。

生成器G由一个超导电路构成，能够生成一个随机纯量子态的集合ρ，模拟真正的量子数据σ。其中，输入的量子数据由一个数字量子比特信道模拟器随机生成。鉴别器D则由一个专门衡量相关映射的量子设备构成，能够生成衡量映射的结果M。

接下来的过程就与普通的生成对抗网络 (GAN) 一样，生成器G不断生成虚拟数据ρ，然后鉴别器D则不断生成衡量ρ和衡量σ的结果，试图区分ρ 和σ，反过来优化生成器的生成结果，最终致使D无法区分ρ 和 σ。

研究人员构建的这个量子GAN算法执行示意图如下：σ 作为原始量子数据，ρ 作为模拟量子态分布，所以是一个概率分布。其中，衡量结果的差异β 和γ 通过FPGA阵列实现。

三、量子计算机有望在图像生成上实现量子霸权

清华大学的这项实验工作的意义就在于，首次在超导量子电路 (属于NISQ设备) 上实现了量子GAN，鉴于GAN在图像生成等应用上的强大性能，这有望实现图像生成的“量子霸权”，也即用量子计算机生成图像比经典计算机更快更强。

结合MICRO 2017的最佳论文奖研究，或许能够加速清华大学这项工作实现图像量子霸权。