Modelos de Difusión de Desruido Cuántico

Quantum Denoising Diffusion Models

January 13, 2024

Autores: Michael Kölle, Gerhard Stenzel, Jonas Stein, Sebastian Zielinski, Björn Ommer, Claudia Linnhoff-Popien

cs.AI

Resumen

En los últimos años, modelos de aprendizaje automático como DALL-E, Craiyon y Stable Diffusion han captado una atención significativa por su capacidad para generar imágenes de alta resolución a partir de descripciones concisas. Paralelamente, la computación cuántica está mostrando avances prometedores, especialmente en el aprendizaje automático cuántico, que aprovecha la mecánica cuántica para satisfacer los crecientes requisitos computacionales de los algoritmos tradicionales de aprendizaje automático. Este artículo explora la integración del aprendizaje automático cuántico y los circuitos cuánticos variacionales para mejorar la eficacia de los modelos de generación de imágenes basados en difusión. Específicamente, abordamos dos desafíos de los modelos de difusión clásicos: su baja velocidad de muestreo y los extensos requisitos de parámetros. Introducimos dos modelos de difusión cuántica y comparamos sus capacidades con sus contrapartes clásicas utilizando dígitos MNIST, Fashion MNIST y CIFAR-10. Nuestros modelos superan a los modelos clásicos con recuentos de parámetros similares en términos de las métricas de rendimiento FID, SSIM y PSNR. Además, presentamos una arquitectura de muestreo único unitario de modelo de consistencia que combina el procedimiento de difusión en un solo paso, permitiendo una generación rápida de imágenes en un solo paso.

English

In recent years, machine learning models like DALL-E, Craiyon, and Stable Diffusion have gained significant attention for their ability to generate high-resolution images from concise descriptions. Concurrently, quantum computing is showing promising advances, especially with quantum machine learning which capitalizes on quantum mechanics to meet the increasing computational requirements of traditional machine learning algorithms. This paper explores the integration of quantum machine learning and variational quantum circuits to augment the efficacy of diffusion-based image generation models. Specifically, we address two challenges of classical diffusion models: their low sampling speed and the extensive parameter requirements. We introduce two quantum diffusion models and benchmark their capabilities against their classical counterparts using MNIST digits, Fashion MNIST, and CIFAR-10. Our models surpass the classical models with similar parameter counts in terms of performance metrics FID, SSIM, and PSNR. Moreover, we introduce a consistency model unitary single sampling architecture that combines the diffusion procedure into a single step, enabling a fast one-step image generation.