[論文レビュー] Adversarial training of quantum Born machine

Haozhen Situ, Zhimin He+2 more|arXiv (Cornell University)|Jul 3, 2018

Quantum Computing Algorithms and Architecture参考文献 34被引用数 4

ひとこと要約

この論文は、パラメータ化された量子回路を、ターゲット確率分布に従うデータを生成するために、古典的ディスクリミネーターを用いて訓練する量子生成対抗ネットワーク（Q-GAN）を提案する。1キュービットおよび2キュービットゲートを用い、勾配降下法によるパrameter最適化を実施することで、小スケールの実験において、生成的モデリングの文脈で量子回路が敵対的設定で効果的に訓練可能であることを示している。

ABSTRACT

Generative adversarial network (GAN) is an effective machine learning framework to train unsupervised generative models, and has drawn lots of attention in recent years. In the meantime, there are some researches that use parameterized quantum circuits to generate simple patterns. In this paper, we present a quantum version of GAN, where parameterized quantum circuits are trained by an adversarial discriminator, to generate new samples that follows the probability distribution of a given training dataset. Two families of quantum circuits, both composed of simple one-qubit rotation and two-qubit controlled-phase gates, are considered. The parameters are learned through classical gradient descent optimization. The results of a small-scale proof-of-principle numerical experiment demonstrate that quantum circuits can be trained in an adversarial way for generative tasks.

研究の動機と目的

• 教師なし生成的モデリングに量子回路を活用する量子版生成対抗ネットワーク（GAN）の開発を目的とする。
• パラメータ化された量子回路が、古典的最適化を用いて敵対的に訓練可能かどうか、複雑なデータ分布を学習できるかを検討することを目的とする。
• 単一キュービット回転ゲートと制御位相ゲートからなるシンプルな量子ゲートを用いた生成的タスクにおける有効性を評価することを目的とする。
• 小スケールの設定においても、量子回路が勾配降下法を用いて敵対的構成で訓練可能であることを実証することを目的とする。

提案手法

• Q-GANフレームワークにおける生成器として、1キュービット回転ゲートと2キュービット制御位相ゲートから成る2つの量子回路の族を用いる。
• 実際のトレーニングデータと生成された量子サンプルを区別するため、古典的ディスクリミネーターネットワークを採用する。
• ディスクリミネーターのフィードバックに基づき、量子回路のパrameterに対する勾配降下法を用いて生成器を訓練する。
• ボーン則を適用して、生成器が準備する量子状態から古典的確率分布を抽出する。
• ディスクリミネーターの損失を、量子回路のパラメータ化されたゲートを通じて逆伝播させることで、生成器のパrameterを最適化する。
• 小スケールの数値実験を用いて、Q-GAN設定の訓練ダイナミクスと収束性を検証する。

実験結果

リサーチクエスチョン

• RQ1 パラメータ化された量子回路は、ターゲット分布に一致するデータを生成するための敵対的フレームワークで効果的に訓練可能か？
• RQ2 具体的には単一キュービット回転と制御位相ゲートからなるシンプルな量子ゲートは、GAN設定において複雑な確率分布をどれほどうまく表現できるか？
• RQ3 古典的ディスクリミネーターと組み合わせた場合、勾配ベースの最適化が量子生成器の訓練に実用的か？
• RQ4 少数のキュービットと浅い回路のみを用いた場合、量子生成モデルにおける敵対的訓練の実現可能性はいかがなものか？

主な発見

• 提案されたQ-GANフレームワークは、古典的ディスクリミネーターからの敵対的フィードバックを用いて、パラメータ化された量子回路を効果的に訓練した。
• 小スケールの実験において、量子生成器はターゲットトレーニングデータ分布に近い出力分布を学習した。
• 1キュービット回転と制御位相ゲートの使用により、生成的モデリングのための量子状態の有効なパラメータ化が可能となった。
• 勾配降下法による最適化が量子生成器に適用可能であり、パrameterの更新が敵対的訓練ループ内で計算・適用可能であることが実証された。
• 数値結果から、量子回路が敵対的アプローチで生成的タスクに訓練可能であることが確認され、Q-GANのコアコンセプトが妥当であることが裏付けられた。
• 限られたキュービット数と回路深さでさえも、モデルがターゲット分布の本質的特徴を捉えることができた。