Kwantum Denoising Diffusiemodellen

Quantum Denoising Diffusion Models

January 13, 2024

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

cs.AI

Samenvatting

De afgelopen jaren hebben machine learning-modellen zoals DALL-E, Craiyon en Stable Diffusion aanzienlijke aandacht gekregen vanwege hun vermogen om hoogwaardige afbeeldingen te genereren op basis van beknopte beschrijvingen. Tegelijkertijd laten quantumcomputing veelbelovende ontwikkelingen zien, met name op het gebied van quantum machine learning, dat gebruikmaakt van quantummechanica om te voldoen aan de toenemende rekenvereisten van traditionele machine learning-algoritmen. Dit artikel onderzoekt de integratie van quantum machine learning en variatie-quantumcircuits om de effectiviteit van diffusiegebaseerde afbeeldingsgeneratiemodellen te vergroten. Specifiek gaan we in op twee uitdagingen van klassieke diffusiemodellen: hun lage sampling snelheid en de uitgebreide parametervereisten. We introduceren twee quantumdiffusiemodellen en vergelijken hun prestaties met die van hun klassieke tegenhangers aan de hand van MNIST-cijfers, Fashion MNIST en CIFAR-10. Onze modellen overtreffen de klassieke modellen met een vergelijkbaar aantal parameters wat betreft de prestatiemetingen FID, SSIM en PSNR. Bovendien introduceren we een consistentiemodel met een unitaire single sampling-architectuur die het diffusieproces combineert in één stap, waardoor een snelle één-staps afbeeldingsgeneratie mogelijk wordt.

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.