对抗生成网络（ \(GANs\) ）是近年来机器学习领域具有里程碑意义的成果，在生成学习中展现出超越其他机器学习算法的巨大优势。我们知道，无论哪一种机器学习算法，最核心的问题始终是优化问题，其本质上都是对于线性方程组的处理。对抗生成网络也不例外，在数学上，对抗生成网络的优化问题是一个线性规划问题。
由于量子力学的数学内核的线性代数，使用量子计算处理线性问题是非常自然的方式，因此任何线性问题的量子算法与现有的经典算法相比，都具有巨大的潜在优势。量子对抗生成网络（ \(QuGANs\) ）就是经典的对抗生成网络的量子版本。与经典情况类似，量子对抗生成网络主要由三个部分组成：真实量子态（由密度矩阵 \(\sigma\) 描述）、装配有量子处理器的生成器（符号 \(G\) 表示，生成的量子态由密度矩阵 \(\rho\) 表示）、装配有量子处理器的判别器（符号 D 表示，可实施测量 \(\mathcal{M}\) ）。
量子对抗生成网络的基本训练步骤也与经典情况类似。 - 随机给定系统的初始参数； - 固定生成器参数，调节判别器测量参数，使得判别器成功识别量子态 \(\sigma\) 几率最大； - 固定判别器参数，调节生成器生成参数，使得判别器成功识别量子态 \(\sigma\) 几率最小； - 重复步骤 2、3，直到达到全局最优。
此时我们已经成功训练了量子对抗生成网络，识别器已经无法识别真实量子态与生成器所产生的量子态，通过调控对生成器的熵输入我们可以生成具有真实态特征的量子态。
Reference: Generative Adversarial Networks