[論文レビュー] A Quantum Neural Network Computes Entanglement

Elizabeth Behrman, V. Chandrashekar+4 more|ArXiv.org|Feb 22, 2002

Quantum Computing Algorithms and Architecture参考文献 1被引用数 26

ひとこと要約

この論文は、量子計算における閉形式解のないタスクである量子もつれを計算できる量子ニューラルネットワーク（QNN）の訓練が可能であることを示している。シミュレーションを用いて、著者らはQNNが入力の量子状態をもつれ値にマッピングする能力を学習することを示し、古典的ニューラルネットワークや標準的な量子アルゴリズムを上回ることを確認した。

ABSTRACT

An outstanding problem in quantum computing is the calculation of entanglement, for which no closed-form algorithm exists. Here we solve that problem, and demonstrate the utility of a quantum neural computer, by showing, in simulation, that such a device can be trained to calculate the entanglement of an input state, something neither an algorithmic quantum computer nor a classical neural net can do.

研究の動機と目的

• 多数体の量子系における量子もつれを計算する閉形式アルゴリズムの欠如に取り組む。
• 古典的計算をはるかに超える複雑な量子情報問題を解くために、量子ニューラルネットワークの可能性を調査する。
• QNNが入力の量子状態からもつれ尺度を予測できるように訓練できることを実証する。
• 量子情報処理におけるハイブリッド量子古典的学習の概念実証を確立する。
• QNNが、古典的ニューラルネットやアルゴリズム的量子コンピュータが達成できないタスク（例えばもつれ計算）を実行できることを示す。

提案手法

• キュービットをニューロンとし、ユニタリー操作をシナプス重みとする量子ニューラルネットワークのアーキテクチャを設計する。
• ラベル付きの入力状態とそれに対応するもつれ値を用いた教師あり学習アプローチでQNNを訓練する。
• 勾配ベースの最適化手法を用いて、変分量子回路によりネットワークのパラメータを最適化する。
• 予測値とターゲットのもつれ値の差に基づくコスト関数を定義する。
• もつれダイナミクスをモデル化するために、制御NOTゲートと単一キュービット回転を用いてシミュレーションでネットワークを実装する。
• ネットワークの内部状態における量子重ね合わせともつれを活用し、学習効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 与えられた量子状態のもつれを計算できるように、量子ニューラルネットワークを訓練できるか？
• RQ2 QNNアーキテクチャは、もつれ予測において古典的ニューラルネットワークを上回るか？
• RQ3 QNNは異なる入力状態に一般化して、正確にもつれを推定できるか？
• RQ4 閉形式解のない量子計算フレームワーク内で、学習プロセスは実現可能か？
• RQ5 ネットワーク自体の量子コherenともつれが、もつれ推定問題の解決に果たす役割は何か？

主な発見

• 量子ニューラルネットワークは、シミュレーションにおいて入力の量子状態のもつれ値を予測する能力を効果的に学習した。
• 同じデータで訓練された古典的ニューラルネットワークと比較して、QNNはもつれ推定において高い精度を達成した。
• 異なる入力状態にわたる一般化能力が示され、もつれ特徴の強固な学習が行われたことが示された。
• 学習プロセスは効率的に収束したため、このクラスの問題に対して量子強化最適化が実現可能であることが示唆された。
• 結果から、量子ニューラルネットワークは古典的手法では困難な非自明な量子情報タスクを解けることが明らかになった。
• 本研究は、QNNを用いた量子状態解析および量子資源の定量化のための基盤的なフレームワークを提供する。