[論文レビュー] Classical versus Quantum: comparing Tensor Network-based Quantum Circuits on LHC data

Jack Y. Araz, Michael Spannowsky|arXiv (Cornell University)|Feb 21, 2022

Parallel Computing and Optimization Techniques被引用数 4

ひとこと要約

この論文は、模擬的な大型ハドロン衝突型加速器（LHC）データにおける機械学習の分類タスクにおいて、古典的テンソルネットワーク（TNs）とTNにインspiredされた量子回路を比較している。結果として、古典的TNsは量子TNの性能に追いつくために指数関数的に大きな結合次元とより高いヒルベルト空間へのマッピングを必要とし、平坦な損失関数の形状と非効率な最適化を引き起こす。一方、量子TNsは量子重ね合わせともつれを介した優れたもつれ表現により、より少ないパラメータで同等の精度を達成し、最適化の挙動も優れている。

ABSTRACT

Tensor Networks (TN) are approximations of high-dimensional tensors designed to represent locally entangled quantum many-body systems efficiently. This study provides a comprehensive comparison between classical TNs and TN-inspired quantum circuits in the context of Machine Learning on highly complex, simulated LHC data. We show that classical TNs require exponentially large bond dimensions and higher Hilbert-space mapping to perform comparably to their quantum counterparts. While such an expansion in the dimensionality allows better performance, we observe that, with increased dimensionality, classical TNs lead to a highly flat loss landscape, rendering the usage of gradient-based optimization methods highly challenging. Furthermore, by employing quantitative metrics, such as the Fisher information and effective dimensions, we show that classical TNs require a more extensive training sample to represent the data as efficiently as TN-inspired quantum circuits. We also engage with the idea of hybrid classical-quantum TNs and show possible architectures to employ a larger phase-space from the data. We offer our results using three main TN ansatz: Tree Tensor Networks, Matrix Product States, and Multi-scale Entanglement Renormalisation Ansatz.

研究の動機と目的

• LHCキャリブレーター画像におけるトップジェットとQCDバックグラウンドを分類するタスクにおいて、古典的テンソルネットワーク（TNs）とTNにインspiredされた量子回路の性能格差を評価すること。
• データの複雑さとキュービット数の増加に伴う、古典的TNと量子TN（QTNs）のスケーラビリティおよび最適化効率を調査すること。
• フィッシャー情報と有効次元などの指標を用いて、古典的TNとQTNsのデータ効率と表現能力を定量化すること。
• 古典的データマッピングと量子分類レイヤーを組み合わせたハイブリッド古典的・量子TNアーキテクチャを検討し、フェーズスペースを拡張し、トレーニングを改善すること。
• 近い将来のNISQデバイスを用いた高エネルギー物理学へのTNベースの量子回路の実現可能性を評価すること。

提案手法

• 古典的および量子回路アーキテクチャとして、ツリー・テンソルネットワーク（TTN）、行列積状態（MPS）、マルチスケールもつれ縮約アーキテクチャ（MERA）の3つのTNアンザッツを採用した。
• 空間的相関を保持するため、高次元のLHCキャリブレーター画像を1次元入力シーケンスに変換してTN処理に適応させた。
• 量子もつれを活用したより豊かな特徴表現を得るために、TNにインspiredされたゲート構造を持つ変分量子回路（QTNs）を実装した。
• 古典的TNの最適化には確率的勾配降下法（SGD）を用い、収束挙動、損失関数の平坦さ、汎化性能を比較した。
• 定量的指標として、フィッシャー情報と有効次元を用いて、データ効率とモデル容量を評価した。
• 古典的TNレイヤーによる特徴埋め込みと量子TNレイヤーによる分類を組み合わせたハイブリッド古典的・量子TNアーキテクチャを検討した。

実験結果

リサーチクエスチョン

• RQ1 古典的TNsとTNにインspiredされた量子回路は、LHCジェット分類タスクにおいてどのように性能を比較するか？
• RQ2 古典的TNsが量子TNsの性能に追いつくために必要な結合次元とヒルベルト空間へのマッピングのスケーリング特性は何か？
• RQ3 古典的TNsの損失関数の形状は、量子TNsと比べてどう異なり、最適化効率にどのような影響を及えるか？
• RQ4 古典的TNsは、量子TNsと同等のデータ表現効率を達成するために、どれほど多くのトレーニングサンプルを必要とするか？
• RQ5 古典的データ処理と量子もつれを活用したハイブリッド古典的・量子TNアーキテクチャは、どのようにして性能を向上させられるか？

主な発見

• 古典的TNsは、同等のもつれ構造を捉えるために、量子TNsに比べて指数関数的に大きな結合次元を必要とし、大規模な機械学習タスクにおいて計算的に非現実的である。
• 次元が増加するにつれて、古典的TNsの損失関数の形状は極めて平坦になり、確率的勾配降下法による最適化の効果が著しく低下する。
• 古典的TNsは、量子TNsと同等のデータ表現効率を達成するため、はるかに多くのトレーニングサンプルを必要とし、低いフィッシャー情報と低い有効次元によって定量的に示された。
• 量子TNsは、量子もつれのおかげで、より少ないパラメータと優れた最適化収束性を備えており、トップジェット識別タスクで最先端の性能を達成している。
• ハイブリッド古典的・量子TNアーキテクチャは実現可能であり、ネットワークのフェーズスペースを拡張でき、古典的データマッピングと量子分類レイヤーを組み合わせたエンドツーエンドのトレーニングを可能にした。
• MPSに基づく量子回路は、元のピクセルデータの54％のみを用いても、畳み込みニューラルネットワークと同等の精度を達成し、高いデータ効率を示した。