Modelli di Denoising Diffusion Quantistici

Quantum Denoising Diffusion Models

January 13, 2024

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

cs.AI

Abstract

Negli ultimi anni, modelli di machine learning come DALL-E, Craiyon e Stable Diffusion hanno attirato notevole attenzione per la loro capacità di generare immagini ad alta risoluzione a partire da descrizioni concise. Parallelamente, il calcolo quantistico sta mostrando progressi promettenti, in particolare con il quantum machine learning, che sfrutta i principi della meccanica quantistica per soddisfare i crescenti requisiti computazionali degli algoritmi tradizionali di machine learning. Questo articolo esplora l'integrazione del quantum machine learning e dei circuiti quantistici variazionali per migliorare l'efficacia dei modelli di generazione di immagini basati sulla diffusione. Nello specifico, affrontiamo due sfide dei modelli di diffusione classici: la bassa velocità di campionamento e l'elevato numero di parametri richiesti. Introduciamo due modelli di diffusione quantistica e confrontiamo le loro capacità con le controparti classiche utilizzando i dataset MNIST, Fashion MNIST e CIFAR-10. I nostri modelli superano i modelli classici con un numero simile di parametri in termini di metriche di prestazione FID, SSIM e PSNR. Inoltre, introduciamo un'architettura di campionamento unitario a singolo passaggio basata su un modello di consistenza, che combina il processo di diffusione in un unico passaggio, consentendo una generazione rapida di immagini in un solo step.

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.