Modèles de débruitage quantique par diffusion

Quantum Denoising Diffusion Models

January 13, 2024

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

cs.AI

Résumé

Ces dernières années, les modèles d'apprentissage automatique tels que DALL-E, Craiyon et Stable Diffusion ont suscité un intérêt considérable pour leur capacité à générer des images haute résolution à partir de descriptions concises. Parallèlement, l'informatique quantique montre des avancées prometteuses, notamment avec l'apprentissage automatique quantique qui exploite les principes de la mécanique quantique pour répondre aux exigences computationnelles croissantes des algorithmes d'apprentissage automatique traditionnels. Cet article explore l'intégration de l'apprentissage automatique quantique et des circuits quantiques variationnels pour améliorer l'efficacité des modèles de génération d'images basés sur la diffusion. Plus précisément, nous abordons deux défis des modèles de diffusion classiques : leur faible vitesse d'échantillonnage et les besoins importants en paramètres. Nous introduisons deux modèles de diffusion quantique et comparons leurs performances à celles de leurs équivalents classiques en utilisant les ensembles de données MNIST, Fashion MNIST et CIFAR-10. Nos modèles surpassent les modèles classiques avec un nombre similaire de paramètres en termes de métriques de performance FID, SSIM et PSNR. De plus, nous proposons une architecture de sampling unitaire à un seul pas basée sur un modèle de cohérence, qui combine la procédure de diffusion en une seule étape, permettant une génération rapide d'images en un seul pas.

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.