[論文レビュー] A quantum generative model for multi-dimensional time series using Hamiltonian learning

Haim Horowitz, Pooja Rao+1 more|arXiv (Cornell University)|Apr 13, 2022

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本稿では、複雑な時間的相関を符号化するためにハミルトニアン学習を活用する多次元時系列のための量子生成モデルを提案する。時間系列を学習可能なハミルトニアン下で進化する開放量子系としてモデル化することで、非マルコフ的ダイナミクスを捉え、11キュービットのトラップイオン量子プロセッサ上で合成データを生成し、時間的依存性を保持する点で従来のGANを上回った。

ABSTRACT

Synthetic data generation has proven to be a promising solution for addressing data availability issues in various domains. Even more challenging is the generation of synthetic time series data, where one has to preserve temporal dynamics, i.e., the generated time series must respect the original relationships between variables across time. Recently proposed techniques such as generative adversarial networks (GANs) and quantum-GANs lack the ability to attend to the time series specific temporal correlations adequately. We propose using the inherent nature of quantum computers to simulate quantum dynamics as a technique to encode such features. We start by assuming that a given time series can be generated by a quantum process, after which we proceed to learn that quantum process using quantum machine learning. We then use the learned model to generate out-of-sample time series and show that it captures unique and complex features of the learned time series. We also study the class of time series that can be modeled using this technique. Finally, we experimentally demonstrate the proposed algorithm on an 11-qubit trapped-ion quantum machine.

研究の動機と目的

• 複雑な時間的ダイナミクスを保持する合成多次元時系列を生成する課題に対処すること。
• 時間依存的相関をモデル化する点で、従来のGANおよび量子GANの限界を克服すること。
• 観測された時系列から基礎となる量子プロセスを学習する、物理にインspiredされた量子機械学習フレームワークを開発すること。
• 本モデルの実用性と有効性を、実際のトラップイオン量子プロセッサ上で実証すること。

提案手法

• 本手法は、時間に依存するハミルトニアン下で進化する開放量子系として時間系列をモデル化し、系と環境をより大きなヒルベルト空間で記述する。
• 変分量子回路を用いて、観測された時間系列ダイナミクスを再現する有効なハミルトニアンを学習する。
• 量子進化の各ステップで物理的妥当性を保証するため、CPTP（完全正値トレース保存）写像を用いる。
• 学習の目的関数は、平均、分散、相関を含む観測済みと生成された時間系列統計の差を最小化する形で定式化される。
• 量子回路のアンザッツは、系と環境のキュービット間の調整可能な相互作用を時間発展演算子に符号化するように設計されている。
• アルゴリズムは、実験データを用いて11キュービットのトラップイオン量子プロセッサ（IonQ）上で実装・検証された。

実験結果

リサーチクエスチョン

• RQ1 多次元時系列データからハミルトニアン学習を用いて量子プロセスを学習可能か？
• RQ2 学習された量子モデルは、非マルコフ的かつ複雑な時間的相関を保持する合成時系列を生成可能か？
• RQ3 本提案モデルに適合する時間系列のクラスは何か、特にK-CPTP適合性の観点から。
• RQ4 時間的ダイナミクスと統計的特徴を捉える点で、量子モデルは従来のGANと比べてどのように優れているか？
• RQ5 環境は、学習されたプロセスにおける記憶効果と非マルコフ的挙動を符号化するために果たす役割は何か？

主な発見

• 量子生成モデルは入力時系列の平均と分散を的確に捉えており、複数の時間ステップにわたり生成データが実際のデータと密接に一致した。
• モデルは次元間の負の相関を正確に再現しており、これは従来のGANがしばしば学習に失敗する特徴である。
• 非マルコフ的挙動が、非マルコフ性の度合いを測る指標によって定量的に示され、時間系列に記憶効果が存在することが裏付けられた。
• 11キュービットのトラップイオンプロセッサ上での実験的実装により、近い将来の量子ハードウェアにおける本アプローチの実現可能性が確認された。
• モデルはK-CPTP適合性を有しており、量子ダイナミカルマップと整合する遷移確率を持つ時間系列を表現可能である。
• 特に長距離相関や記憶効果を捉える点で、量子モデルは従来の古典的ベースラインを上回り、高次時間的依存性を保持した。