[論文レビュー] Concentration of Data Encoding in Parameterized Quantum Circuits

Guangxi Li, Ruilin Ye+2 more|arXiv (Cornell University)|Jun 16, 2022

Quantum Computing Algorithms and Architecture被引用数 13

ひとこと要約

本論文は、変分量子アルゴリズムにおけるパラメータ化された量子回路（PQC）におけるデータ符号化の影響を調査し、深さが増すに従って符号化された量子状態が最大混合状態に指数関数的に集中することを証明している。この集中は、状態の区別可能性と分類器の性能を著しく制限し、標準的なPQCベースの符号化戦略を用いた現在の量子機械学習手法における根本的な制限を明らかにしている。

ABSTRACT

Variational quantum algorithms have been acknowledged as a leading strategy to realize near-term quantum advantages in meaningful tasks, including machine learning and combinatorial optimization. When applied to tasks involving classical data, such algorithms generally begin with quantum circuits for data encoding and then train quantum neural networks (QNNs) to minimize target functions. Although QNNs have been widely studied to improve these algorithms' performance on practical tasks, there is a gap in systematically understanding the influence of data encoding on the eventual performance. In this paper, we make progress in filling this gap by considering the common data encoding strategies based on parameterized quantum circuits. We prove that, under reasonable assumptions, the distance between the average encoded state and the maximally mixed state could be explicitly upper-bounded with respect to the width and depth of the encoding circuit. This result in particular implies that the average encoded state will concentrate on the maximally mixed state at an exponential speed on depth. Such concentration seriously limits the capabilities of quantum classifiers, and strictly restricts the distinguishability of encoded states from a quantum information perspective. We further support our findings by numerically verifying these results on both synthetic and public data sets. Our results highlight the significance of quantum data encoding in machine learning tasks and may shed light on future encoding strategies.

研究の動機と目的

• パラメータ化された量子回路（PQC）におけるデータ符号化が変分量子アルゴリズムの性能に与える影響を体系的かつ分析すること。
• PQCベースのデータ符号化が量子分類器の区別可能性とトレーニング可能性に及ぼす制限を特定・定量化すること。
• 回路の幅と深さに基づいて、平均符号化状態と最大混合状態との間の乖離の理論的境界を導出すること。
• 合成データおよび実世界のデータセットを用いた理論的予測の数値的検証。

提案手法

• トレース距離と同時確率の境界を用いて、平均符号化状態と最大混合状態との間の量子ダイバージェンスの理論的分析。
• キュービット数、回路の深さ、幅に依存する量子ダイバージェンスの明示的な上界の導出。
• 測度の集中技術を応用し、深さが増すに従って符号化状態が最大混合状態に指数関数的に収束することの証明。
• 量子ニューラルネットワーク（QNN）の学習プロセスにおける勾配を制限するためのパラメータシフト則の応用。
• 合成データおよび公開データセットを用いた数値実験により、理論的予測の状態集中と勾配抑制の検証。
• 濃度不等式を用いた確率的解析により、深さの大きい符号化回路における大きな勾配の発生確率の上限を導出。

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の深さが、平均符号化量子状態と最大混合状態との間の近接度にどのように影響するか？
• RQ2 PQCによるデータ符号化は、量子機械学習タスクにおける量子状態の区別可能性をどの程度制限するか？
• RQ3 回路のハイパーパrameterに基づいて、符号化状態と最大混合状態との間の量子ダイバージェンスの理論的境界を導出可能か？
• RQ4 状態の集中は、量子分類器のトレーニング可能性と性能にどのように影響するか？
• RQ5 回路の深さとQNN最適化中の勾配の大きさの関係は何か？

主な発見

• 適切な仮定のもとで、符号化回路の深さが増すに従い、平均符号化状態は最大混合状態に指数関数的に速く収束する。
• キュービット数が固定された場合、平均符号化状態と最大混合状態との間の量子ダイバージェンスは、回路の深さとともに指数的に減少する上界で抑えられる。
• 符号化深さが (n + 4)ln(2) + 2ln(1/ε) に比例する閾値を超えると、損失関数のQNNパラメータに関する勾配は高確率で Kε で抑えられ、勾配の消失を示す。
• 集中効果により、符号化された量子状態は量子情報の観点から区別できなくなり、分類タスクにおける有用性が著しく制限される。
• 合成データおよび公開データセットにおける数値的結果は、深さの大きいPQCにおける状態集中と勾配抑制の理論的予測を確認している。
• 本研究の結果は、現在のPQCベースのデータ符号化戦略における根本的な制限を明らかにし、状態の区別可能性を保つために再設計された符号化手法の必要性を示唆している。