它拥有指数级算法优势，我们在本源司南上证明了这一点！
GAN网络在人工智能领域应用广泛
如图像处理领域、音频处理领域、加解密领域等
科学家将之与量子计算相结合
实现量子生成对抗网络（QGAN）
相较于GAN，QGAN被认为具有指数级的算法优势
此次，本源基于自研的量子机器学习框架VQNet
在本源司南上证明了这一点！
近日，本源量子计算科技有限责公司在量子计算软件领域又有新突破！研发团队基于自研的量子机器学习框架VQNet，在量子操作系统本源司南上运行验证了QGAN（Quantum Generative Adversarial Network, 量子生成对抗网络）算法的可行性和有效性，将量子生成对抗网络技术与图像修复相结合，在QGAN上实现 了新的应用，即人像修复。
与经典计算机相比，量子计算处理图像的在时间上具有指数级提升，在空间上处理的数据量也将随之呈指数级增加。一旦该应用成熟，处理人像技术将从速度、算法、空间效率和准确率上实现强有力的效果。
该应用展现了量子计算机上的生成对抗网络在人像修复领域拥有相对于经典计算机的速度优势和空间优势，证明了基于超导量子比特技术的量子机器学习可行性，在量子领域迈出了重要一步。
随着国际巨头型科技企业在量子计算与人工智能领域的深度布局，科学家不再只是关注量子计算与人工智能两项技术的独立研究，他们开始探索量子计算与人工智能领域的交叉应用。
这里最吸引人的便是生成对抗网络，作为人工智能机器学习中最具前景的方法之一，它在各种具有挑战性的任务中表现出色。经典计算中，GAN可以通过对抗训练工作，在图像合成、提高照片分辨率、图像翻译等领域起到作用，尤其是在图像处理方面能够展现其优势：例如在艺术创作领域，可以用来生成新的艺术风格；在刑事侦别领域，可以用来鉴定、修复案件证据。亦可在自动驾驶领域，用来提高自动驾驶识别技术。
GAN是一种使用深度学习（如卷积神经网络）进行生成建模的方法。
生成建模是机器学习中的一项无监督学习任务，它指的是某一机器学习主体能够自动发现和学习输入数据中的规律或模式，从而使模型自动生成、输出可能从原始数据集中提取的新示例。
它将问题构建为两个子模型：生成模型和判别模型，生成模型通过机器生成数据，目的是“骗过”判别模型；而判别模型则需要判断这张图像是真实的还是机器生成的，目的是找出生成模型做的“假数据”。通过相互对抗学习，最终我们就能得到一个理想的生成模型和一个最强的判别模型，然后利用这个方法去实现各种应用。
为了方便理解，在此举个简单的例子：路上自动驾驶的车辆，通过激光雷达收集到了道路指示数据，一开始的时候，自动驾驶识别系统由于收集到的数据样本较少的原因，判别常会出现错误，引发系统故障。但随着收集到的数据原来越多，判别系统不停地对比识别，当判别系统“学习”到一定程度，自动驾驶识别系统可以轻易识别各种各样的道路指示数据，与此同时即便道路情况变得越来越复杂，激光雷达收集到的数据越来越庞大，通过生成对抗网络技术依然能够达到准确识别、判断的效果。
在这个例子中，道路指示数据就是生成对抗网络中的生成模型，自动驾驶识别系统就是判别模型，生成模型不断生成数据，然后让判别模型去判断；基于对抗的思想，生成模型不遗余力地生成各种数据是为了“难倒”判别模型，类似的复杂的道路数据也一直在不停干扰甚至阻断自动驾驶系统运行，经过这种“旷日持久”的对抗训练，最终我们同时得到的相对较全面的道路数据库和超强的自动驾驶识别系统。
GAN 是一个令人兴奋且快速变化的领域，它兑现了生成模型的承诺，能够在一系列问题领域中生成真实示例。
曾有研究者罗列了18种GAN的绝妙应用。
可以戳下方链接探秘：
（https://baijiahao.baidu.com/s?id=1640452629602950683&wfr=spider&for=pc）
像动画生成、图片转表情、面部老化等等都是GAN做的~
作为生成对抗学习的量子版本，在应用领域中，QGAN与GAN“一脉相承”。
不仅如此，量子生成对抗网络（QGAN）在性能方面也显示出潜在的指数量子加速，这对于实现各种各样的量子加速，无疑是令人激动和充满遐想的。
本源量子团队基于自研的量子机器学习框架VQNet，在量子操作系统本源司南上运行验证了QGAN量子破损图像修复应用，该应用通过量子与经典混合算法，实现对破损图像的修复操作，展现了量子计算机上的生成对抗网络在人像修复领域拥有相对于经典计算机的速度优势和空间优势。
该应用通过量子生成网络对图像缺陷部分进行初始化修复，然后使用经典网络进一步完善修复。使用量子生成网络的修复结果展示：
缺陷修复对比图（图片来源于本源量子）
本次QGAN破损图像修复应用中使用的经典网络模型为GLCIC论文中提出的方法，应用结合了量子生成对抗网络和经典GLCIC网络。总体网络的结构图如下：
总体网络结构图（图片来源于本源量子）
GLCIC网络包含两个主要Network：Completion Network和Discriminator。并利用Global Discriminator 和Local Discriminator 两种判别器保证生成的图像即符合全局语义，且尽量提高局部区域的清晰度和对比度。
经过验证，本源QGAN破损图像修复率（基于自有实验的数据集效果）对比经典GAN生成对抗网络技术，起到了明显加速效果：
类别 | 峰值信噪比 | 时间复杂度 | 空间复杂度 |
经典GAN | 36 | O(n²) | O(n²) |
量子QGAN | 32 | O(n*logn) | O(logn) |
峰值信噪比(PSNR)是衡量图像质量的指标说明
PSNR＞40dB：图像质量极好（即非常接近原始图像）
30dB≤PSNR≤40dB：图像质量是好的（即失真可以察觉但可以接受）
20dB＜PSNR＜30dB：图像质量差
PSNR＜20dB：图像不可接受
GAN网络在人工智能领域应用很广泛，比如在图像处理领域，文本创作，音频处理领域，加解密领域。在实际算法及应用处理过程中，数据集的训练收敛性及计算速度上，GAN网络结构、模型的评估上，判别模型的对抗性的稳健性上都是考验和挑战。
我们结合量子计算，实现了量子生成对抗网络（QGAN），利用量子计算的并行计算优势，通过量子线路实现量子生成对抗网络，加速数据集训练速度，提升网络模型精度。
国内首个“量子计算金融行业应用生态联盟”&“量子计算生物化学行业应用生态联盟”成立
我们深知，再好的量子计算应用工具，如果不能够真正给相应的行业创造实际价值，也终是无用。本源量子团队在攻坚各领域量子前沿算法的同时，也致力于量子计算在各行业企业的深度研究，推进量子计算应用落地，让量子计算技术真正有用！