تُظهر أحدث شبكات التوليد التنافسية (GANs) نتائج ممتازة من خلال التدريب على نطاق واسع، مما يستلزم استخدام نماذج مكونة من ملايين المعاملات، وتتطلب قدرات حوسبة كبيرة. ويتسبب بناء هذه النماذج الضخمة في تقليل قابلية إعادة التكرار وزيادة عدم استقرار التدريب. علاوةً على ذلك، تُعالج البيانات متعددة القنوات، مثل الصور أو الصوت، عادةً بواسطة شبكات تلافيفية ذات قيم حقيقية، التي تقوم بتمويج المدخلات ودمجها، مما يؤدي غالبًا إلى فقدان العلاقات الفضائية داخل القناة. ولحل هذه المشكلات المتعلقة بالتعقيد وفقدان المعلومات، نقترح عائلة من شبكات التوليد التنافسية ذات القيم الكوانتيّة (QGANs). تعتمد QGANs على خصائص الجبر الكوانتي، مثل جداء هاملتون (Hamilton product)، الذي يسمح بمعالجة القنوات ككيان واحد، وتصوير العلاقات المخفية الداخلية، في الوقت الذي يقلل من العدد الكلي للمعاملات بنسبة تصل إلى 4 أضعاف. نوضح كيفية تصميم QGANs، ونُوسع النهج المقترح ليشمل نماذج متقدمة أيضًا. ونقارن QGANs المقترحة بنسخها ذات القيم الحقيقية على عدة معايير توليد الصور. وتُظهر النتائج أن QGANs قادرة على تحقيق معدلات FID أفضل من شبكات GAN ذات القيم الحقيقية، وتفيد في إنتاج صور مرئية جذابة. علاوةً على ذلك، تُقلل QGANs من عدد معاملات التدريب بنسبة تصل إلى 75٪. ونعتقد أن هذه النتائج قد تفتح الطريق أمام شبكات GAN جديدة، أكثر إمكانية للوصول، قادرة على تحسين الأداء وخفض استهلاك الموارد الحاسوبية.