[論文レビュー] Embedding Learning in Hybrid Quantum-Classical Neural Networks

Henry X. Liu, Junyu Liu+5 more|arXiv (Cornell University)|Apr 9, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本論文は、古典的データから量子埋め込みを学習するための量子少数学習パラダイムを提案する。ハイブリッド量子古典ニューラルネットワークを用いて一般化性能を向上させるとともに、量子ヒルベルト空間を十分に活用できない古典的パラメータの問題（回路バイパス問題）を軽減する。この手法は、未観測のクラスに対しても優れた一般化性能を示し、量子状態空間における高い幾何的分離性を維持する。従来の古典的距離測度や埋め込み手法を上回る性能を発揮する。

ABSTRACT

Quantum embedding learning is an important step in the application of quantum machine learning to classical data. In this paper we propose a quantum few-shot embedding learning paradigm, which learns embeddings useful for training downstream quantum machine learning tasks. Crucially, we identify the circuit bypass problem in hybrid neural networks, where learned classical parameters do not utilize the Hilbert space efficiently. We observe that the few-shot learned embeddings generalize to unseen classes and suffer less from the circuit bypass problem compared with other approaches.

研究の動機と目的

• 下流の量子機械学習タスクに適した汎用的量子埋め込みを、古典的データから学習する量子少数学習パラダイムの開発。
• ハイブリッド量子古典ニューラルネットワークにおける回路バイパス問題に対処すること。この問題とは、古典的パラメータがヒルベルト空間全体を十分に活用できない状態を指す。
• 既存の古典的および量子埋め込み手法と比較して、未観測のクラスへの埋め込みの一般化性能を向上させること。
• テンソルネットワークシミュレーションとディープラーニングフレームワークを新規に統合することで、大規模な高量子ビット数量子回路のシミュレーションを可能とすること。
• 高次元で幾何的に明確に分離された量子埋め込みを促進する正則化戦略の検討を通じて、量子優位性の可能性を解き放つこと。

提案手法

• 古典的特徴抽出器に続くパラメータ化された量子回路（PQC）を用いたハイブリッド量子古典ニューラルネットワークアーキテクチャを採用。
• 少数学習のためのプロトタイプネットワークベースのモデルアプローチを採用。埋め込みは、サポートセットとクエリセットにおけるメトリック学習により最適化される。
• 2キュービットのアンザッツを用い、3段階の変分層と、古典的特徴を単一キュービット回転を用いて量子状態に符号化する手法を適用。
• 多様体次元を損失関数から差し引く正則化戦略を導入。低次元埋め込みを抑制し、高次元の量子状態空間における分離性を促進する。
• 近位量子デバイス上で複素内積を推定するためにハダマードテストを適用。
• テンソルネットワーク手法とPyTorchを統合したスケーラブルで高精度な大規模量子回路シミュレーションを可能にする、QTensorAIと呼ばれるハイブリッドシミュレーションライブラリを開発。

実験結果

リサーチクエスチョン

• RQ1 量子少数学習は、少数の例での学習において、未観測のクラスに対しても効果的に一般化できる埋め込みを生成できるか？
• RQ2 回路バイパス問題は、ハイブリッド量子古典ニューラルネットワークにおける埋め込み学習の性能にどのように影響を与えるか？
• RQ3 少数学習分類において、量子埋め込みは古典的距離測度（例：コサイン距離やユークリッド距離）を上回る性能を示せるか、その程度はいかほどか？
• RQ4 低次元多様体をペナルティとする正則化技術は、量子埋め込みの幾何的表現力の向上に寄与するか？
• RQ5 限られたデータで学習を行った場合でも、本手法はヒルベルト空間内で高い幾何的分離性を維持できるか？

主な発見

• 提案された量子少数学習埋め込み手法は、未観測のクラスに対しても効果的に一般化され、少数学習分類において古典的ベースライン手法を上回る性能を示した。
• 少数学習による学習で得られた量子埋め込みは、他の手法と比較して回路バイパス問題の影響を著しく軽減しており、高次元ヒルベルト空間の利用が保持されている。
• 本手法は古典的コサイン距離を上回る性能を達成し、量子高速化を示さないままでも古典的ユークリッド距離と同等またはそれを上回る少数学習精度を達成した。
• 損失関数から多様体次元を差し引く正則化戦略は、低次元埋め込みの抑制に成功し、量子状態空間における幾何的分離性の向上を実現した。
• QTensorAIを用いたテンソルネットワークシミュレーションとディープラーニングの統合により、15キュービットを超える大規模な回路の信頼性あるシミュレーションが可能となり、大規模スケールでの結果の妥当性が裏付けられた。
• ハダマードテストを用いた量子埋め込み間の内積推定が成功裏に実装され、メトリック学習アンザッツの実デバイス実装が可能となった。