[論文レビュー] Advances in Quantum Deep Learning: An Overview

Siddhant Garg, Goutham Ramakrishnan|arXiv (Cornell University)|May 8, 2020

Quantum Computing Algorithms and Architecture参考文献 94被引用数 46

ひとこと要約

この論文は量子計算と深層学習の交差領域を概観し、量子ニューラルネットワーク（QNNs）、量子畳み込みネットワーク（QCNNs）、量子に触発された古典アルゴリズム、および実践的な実装を詳述します。

ABSTRACT

The last few decades have seen significant breakthroughs in the fields of deep learning and quantum computing. Research at the junction of the two fields has garnered an increasing amount of interest, which has led to the development of quantum deep learning and quantum-inspired deep learning techniques in recent times. In this work, we present an overview of advances in the intersection of quantum computing and deep learning by discussing the technical contributions, strengths and similarities of various research works in this domain. To this end, we review and summarise the different schemes proposed to model quantum neural networks (QNNs) and other variants like quantum convolutional networks (QCNNs). We also briefly describe the recent progress in quantum inspired classic deep learning algorithms and their applications to natural language processing.

研究の動機と目的

• 量子計算と深層学習を組み合わせる動機を説明する。
• 量子ニューラルネットワークがどのようにモデル化され、訓練されるかを要約する。
• 量子CNNsおよび量子RNNsなどの派生形とそれらのアーキテクチャを議論する。
• 量子に触発された古典的深層学習アプローチと自然言語処理（NLP）への応用を強調する。

提案手法

• 量子ニューラルネットワークとその構成要素に関する文献をレビューし統合する。
• QNNモデルとしてのユニタリ表現と変分回路を説明する。
• 入力表現と古典データが量子状態にどのようにエンコードされるかを説明する。
• 量子測定、 fidelityベースの損失、勾配法などの学習メカニズムを提示する。
• 実践的な実装とハイブリッド量子古典アプローチを説明する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワーク（QNNs、QCNNs）のために提案された主な量子アーキテクチャは何か、そしてそれらは古典的な対応物とどのように対応づけられるか？
• RQ2 量子ディープラーニングにおける学習タスクのために量子回路はどのようにパラメータ化され、訓練されるか？
• RQ3 古典データを量子状態にエンコードし出力を抽出する実践的な戦略は何か？
• RQ4 量子と古典的深層学習アプローチの間に存在する派生形やハイブリッドは何か、どのような適用が探索されているか？
• RQ5 NISQデバイスとハードウェア上での実践的実装の現状はどうか？

主な発見

• 量子回路は可逆的なフレームワークを提供し、学習可能なユニタリパラメータを持つニューラルネットワーク様の学習を可能にする。
• 量子および量子に触発された手法は、層、活性化、バックプロパゲーション類似物など、古典的深層学習の概念に対応するアーキテクチャと訓練アイデアを提供する。
• 量子CNNsとRNNsが提案され、ハイブリッドおよび連続変数のバリアントが検討されている。
• 実践的実装はハードウェアの制約に直面し、ハイブリッド量子古典アルゴリズムやNISQ中心の研究につながっている。
• 量子に触発された古典的学習アプローチは、NLPや他の領域で効率性やモデリングの向上のために量子の考え方を活用する。