[論文レビュー] A review of Quantum Neural Networks: Methods, Models, Dilemma

Ren-Xin Zhao, Shi Wang|arXiv (Cornell University)|Sep 4, 2021

Quantum Computing Algorithms and Architecture参考文献 68被引用数 24

ひとこと要約

この論文は、最近6年間における量子ニューラルネットワーク（QNN）のレビューを提供しており、変分量子アルゴリズム（VQA）のような実装手法、QBM や QCVNN などの量子回路モデル、バーレンプレート（barren plateaus）や量子優位性の検証といった主な課題に焦点を当てる。理論的には計算効率と記憶容量の面で有望であるが、実用的実現はハードウェア制約とトレーニングの不安定性、特に深層回路において制限されていることが強調されている。

ABSTRACT

The rapid development of quantum computer hardware has laid the hardware foundation for the realization of QNN. Due to quantum properties, QNN shows higher storage capacity and computational efficiency compared to its classical counterparts. This article will review the development of QNN in the past six years from three parts: implementation methods, quantum circuit models, and difficulties faced. Among them, the first part, the implementation method, mainly refers to some underlying algorithms and theoretical frameworks for constructing QNN models, such as VQA. The second part introduces several quantum circuit models of QNN, including QBM, QCVNN and so on. The third part describes some of the main difficult problems currently encountered. In short, this field is still in the exploratory stage, full of magic and practical significance.

研究の動機と目的

• 最近6年間における量子ニューラルネットワーク（QNN）の包括的レビューを提供すること。
• VQA やパラメータ化された量子回路のような実装手法を分析すること。
• QBM、QCVNN、QGAN などの主要な量子回路モデルを検討すること。
• QNN開発における主な課題、特にバーレンプレートと量子優位性の検証を特定・議論すること。
• QNNが物理的実現可能性とトレーニング可能性に課題を抱える未解決の問題を有する探索的段階にある現状を明確にすること。

提案手法

• 論文は QNN 研究を3つの主要分野に分類する：実装手法、量子回路モデル、および核心的課題。
• パラメータ化された量子回路を用いた QNN の構築に主に用いられる変分量子アルゴリズム（VQA）をレビューする。
• 量子ボルツマンマシン（QBM）、量子畳み込みニューラルネットワーク（QCVNN）、量子生成対抗ネットワーク（QGAN）などの特定の量子回路モデルを検討する。
• 非線形活性化関数の実装における量子測定と繰り返し成功まで続ける（RUS）技術の役割を分析する。
• パラメータ化された量子回路における勾配の消滅を理論的分析を通じてバーレンプレート問題を調査する。
• 物理的実現可能性、量子力学的時間発展、ニューラルネットワークに類似した計算の観点から QNN の実現可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 QNN を構築するための主な実装手法は何か。また、それらはどのように変分量子回路を活用しているか。
• RQ2 QBM や QCVNN といった異なる量子回路モデルは、アーキテクチャと計算能力においてどのように異なるか。
• RQ3 QNN のトレーニングにおける主な理論的・実用的障壁は何か。特にバーレンプレート問題について。
• RQ4 現在の NISQ デバイスにおいて、QNN は古典的ニューラルネットワークに対してどの程度量子優位性を示せるか。
• RQ5 真の QNN を定義する基準は何であるか。なぜ多くの既存モデルがそれらを満たさないのか。

主な発見

• バーレンプレート問題は、コスト関数の勾配が量子ビット数の増加に伴い指数関数的に消えることで発生し、特に t-デザインを満たす回路ではトレーニングが不成立になる。
• ハードウェア効率の良いアーサンツや行列積状態（MPS）にインspiredされたアーサンツでは、コスト関数の構造上、バーレンプレートは避けられない。
• 一方、QCVNN やツリーテンソルネットワークアーサンツではバーレンプレートが生じないため、アーキテクチャ設計がトレーニング可能性に顕著に影響することが示唆される。
• グローバルな観測量ではなく局所的観測量を用いてコスト関数を定義することで、浅い回路であっても勾配の消滅を緩和できる。
• RUS を用いた量子回路の使用により、非線形活性化関数の実装が可能となり、非線形 QNN の実現に有望な道筋が示された。
• 記憶容量と計算の面で理論的利点があるものの、ノイズと不安定性のため、現在の多くの QNN モデルは物理的実現可能性に欠け、量子優位性を完全に実現できていない。