[論文レビュー] Dynamical simulation via quantum machine learning with provable generalization

Joe Gibbs, Zoë Holmes+6 more|arXiv (Cornell University)|Apr 21, 2022

Quantum Computing Algorithms and Architecture参考文献 48被引用数 15

ひとこと要約

この論文は、固定深さの量子回路を用いて、近い将来の量子ハードウェアで長時間の量子ダイナミクスシミュレーションを可能にする、リソース効率の良い高速前進（REFF）と呼ばれる量子機械学習フレームワークを導入する。一般化境界を活用することで、低コストのトレーニングデータおよび量子ビット要件を実現し、IBMQ-Bogotaでトレーリング化と比較して20倍長いシミュレーションを、保証された忠実度とともに達成する。

ABSTRACT

Much attention has been paid to dynamical simulation and quantum machine learning (QML) independently as applications for quantum advantage, while the possibility of using QML to enhance dynamical simulations has not been thoroughly investigated. Here we develop a framework for using QML methods to simulate quantum dynamics on near-term quantum hardware. We use generalization bounds, which bound the error a machine learning model makes on unseen data, to rigorously analyze the training data requirements of an algorithm within this framework. This provides a guarantee that our algorithm is resource-efficient, both in terms of qubit and data requirements. Our numerics exhibit efficient scaling with problem size, and we simulate 20 times longer than Trotterization on IBMQ-Bogota.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）デバイスにおける長時間の量子ダイナミクスシミュレーションの課題に取り組む。特に、回路の深さがコherー二ンを制限する点に焦点を当てる。
• トレーニングデータおよび量子ビット要件を最小限に抑えることで、動的シミュレーションにおける量子機械学習（QML）のリソースオーバーヘッドを低減する。
• トレーニングデータサイズと最適化品質に基づいて、シミュレーション忠実度を保証する厳密な一般化境界を提供する。
• 固定深さの回路を用いて長時間ダイナミクスをシミュレート可能な、QMLに基づく高速前進アルゴリズムを開発する。
• 数値シミュレーションおよびIBMQ-Bogotaでのハードウェア実装を通じて、この手法の実現可能性とスケーラビリティを実証する。

提案手法

• ハミルトニアンの固有基底から導出された対角化されたアンザッツを用い、固定深さ回路による高速前進を可能にする、時間に依存する量子ニューラルネットワーク（QNN）$V_t(\boldsymbol{\alpha})$を提案。パrameter $\boldsymbol{\alpha}$ でパラメータ化される。
• ハミルトニアンの固有基底から導出された対角化アンザッツを用い、固定深さ回路による高速前進を可能にする。
• 一般化に配慮した損失関数 $C^{\rm G}_{\rm REFF}$ を最小化するため、変分量子回路最適化（VFF）を適用する。
• 一般化境界を用いて、必要なトレーニングデータサイズを $\mathcal{O}(K\log K)$ で上界付ける。ここで $K$ はパラメータ化されたゲートの数である。
• IBMQ-Bogota で量子状態トモグラフィーを実行し、ノイズのないトレーリング化された状態と比較して、REFFで発展した状態の忠実度を再構築・評価する。
• ヒルベルト・シュミットテストを用いて、学習されたユニタリ演算子の正確さをトレーリング化されたおよび真のハミルトニアン発展と比較して検証する。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習を用いて、回路の深さを低減させながら、NISQデバイス上で長時間の量子ダイナミクスシミュレーションを実現できるか？
• RQ2 QMLを用いた高忠実度シミュレーションを保証するための最小トレーニングデータ量は何か？ また、これは系のサイズにどのようにスケーリングするか？
• RQ3 QMLに基づく高速前進法は、$2n$量子ビットを必要とする従来の手法と比較して、より高い量子ビット効率を達成できるか？
• RQ4 QNNの一般化性能は、最適化品質およびトレーニングデータサイズにどのように依存するか？
• RQ5 REFFアルゴリズムは、ノイズを含む実際の量子ハードウェア上で、成功裏に実装および検証可能か？

主な発見

• REFFアルゴリズムは、IBMQ-Bogota において、標準的なトレーリング化と比較して20倍長いシミュレーション時間を達成し、近い将来のハードウェアにおける実用的スケーラビリティを示している。
• 必要なトレーニング状態の数は、パラメータ化されたゲート数に対して非線形にスケーリングし、理論的上界 $\mathcal{O}(K\log K)$ と整合的である。
• IBMQ-Bogota での量子状態トモグラフィーにより、REFFで発展した状態とノイズのないトレーリング化された状態との間で高い忠実度が得られ、ハードウェアのノイズに対して強いことが確認された。
• 非整数倍のトレーリングステップに対しても、高いシミュレーション忠実度を維持しており、効果的な補間および一般化が可能であることが示された。
• 従来の方法が $2n$ 量子ビットを必要とするのに対し、本手法は $n$ 量子ビットで $n$-キュービット系を扱えるため、量子ビット効率が非常に高い。
• 一般化境界は、一般化が達成されるためのトレーニングデータサイズの臨界閾値を正確に予測できており、最適化プロセスに早期停止の兆候が見られないことも確認された。