[論文レビュー] End-to-End Quantum Machine Learning with Quantum Control Systems

Re-Bing Wu, Xi Cao+2 more|arXiv (Cornell University)|Mar 30, 2020

Quantum Computing Algorithms and Architecture被引用数 3

ひとこと要約

この論文は、実験的に調整可能な制御変数を用いて制御量子ダイナミクスを最適化することで、近い将来のNISQプロセッサ向けにエンドツーエンドの量子機械学習フレームワークを提案している。これにより、自動特徴選択と最小限の手作業で設計されたコンponentsが可能となる。MNISTに対する数値結果では、たった3〜5量子ビットで高い性能を達成しており、中規模量子ハードウェア上で大規模な実世界のタスクに強い可能性を示している。

ABSTRACT

Toward quantum machine learning deployed on imperfect near-term intermediate-scale quantum (NISQ) processors, the entire physical implementation of should include as less as possible hand-designed modules with only a few ad-hoc parameters to be determined. This work presents such a hardware-friendly end-to-end quantum machine learning scheme that can be implemented with imperfect near-term intermediate-scale quantum (NISQ) processors. The proposal transforms the machine learning task to the optimization of controlled quantum dynamics, in which the learning model is parameterized by experimentally tunable control variables. Our design also enables automated feature selection by encoding the raw input to quantum states through agent control variables. Comparing with the gate-based parameterized quantum circuits, the proposed end-to-end quantum learning model is easy to implement as there are only few ad-hoc parameters to be determined. Numerical simulations on the benchmarking MNIST dataset demonstrate that the model can achieve high performance using only 3-5 qubits without downsizing the dataset, which shows great potential for accomplishing large-scale real-world learning tasks on NISQ processors.arning models. The scheme is promising for efficiently performing large-scale real-world learning tasks using intermediate-scale quantum processors.

研究の動機と目的

• 量子ビットのコher-エンスが限定的で誤り率が高いため、ノイズの多い中規模量子（NISQ）プロセッサに量子機械学習を展開する課題に対処すること。
• 量子機械学習パイプラインにおける手作業で設計されたモジュールや恣意的なパラメータに依存するのを減らし、ハードウェア互換性とスケーラビリティを向上させること。
• データ符号化、モデルパラメータ化、最適化を統合した一貫性のあるエンドツーエンドの学習方式を、単一の制御駆動型量子ダイナミクスフレームワーク内で構築すること。
• 調整可能な制御変数による入力の量子状態への符号化を通じて、学習プロセス中に自動特徴選択を実現し、手動での前処理の必要性を減らすこと。

提案手法

• 学習モデルを実験的に調整可能な制御パラメータでパラメータ化する制御量子ダイナミクスの最適化として、量子機械学習タスクを定式化する。
• エージェントの制御変数を介して生の入力データを量子状態に符号化し、学習プロセス中に自動的特徴選択を可能にする。
• 従来のゲートベースのパラメータ化量子回路ではなく、制御駆動型アプローチを採用することで、恣意的パラメータの数を減らし、ハードウェア実装を簡素化する。
• 勾配ベースの最適化手法を用いて制御場を最適化し、損失関数を最小化することで、制御パラメータとモデル性能を直接結びつける。
• ノイズや不完全性が典型的なNISQデバイスに耐性を持つようにフレームワークを設計し、現在のハードウェアへの実用的展開を保証する。
• 量子系の内在的ダイナミクスを活用して、特徴符号化とモデル推論を一度の最適化ループで同時に実行する。

実験結果

リサーチクエスチョン

• RQ1 制御駆動型量子機械学習フレームワークは、NISQハードウェア上で手作業で設計されたコンponentsを最小限に抑え、分類タスクで高い性能を達成できるか？
• RQ2 調整可能な制御変数による自動特徴選択は、手動でのデータ前処理の必要性をどれほど低減できるか？
• RQ3 ゲートモデルベースの量子機械学習と比較して、制御ベースのアプローチは、ハードウェア効率性と正確性の面でどれほど優れているか、または同等の性能を発揮できるか？
• RQ4 標準ベンチマーク（例：MNIST）で競争力のある性能を達成するために、提案フレームワークに必要な最小量子ビット数はどれくらいか？
• RQ5 近い将来の量子プロセッサにおけるノイズや不完全性に対して、エンドツーエンドの制御ベース学習方式はどれほど頑健か？

主な発見

• 提案されたエンドツーエンドの量子機械学習フレームワークは、データセットを縮小せずに、わずか3〜5物理量子ビットでMNISTデータセットにおいて高い分類性能を達成した。
• 実世界の学習タスクにおいて強い一般化能力を示しており、中規模量子プロセッサ上でより大きな問題にスケーラブルである可能性を示唆している。
• 制御変数による符号化による自動特徴選択の統合により、外部の前処理の必要性が低下し、学習パイプラインが簡素化された。
• わずか数個の恣意的パラメータで十分であり、従来のゲートモデルアプローチと比較して、大幅に複雑さとチューニングの負担が軽減された。
• 数値シミュレーションにより、制御駆動型量子ダイナミクスの最適化が、現実的なNISQレベルのノイズや不完全性に対しても効果的で頑健であることが確認された。
• ハードウェアに優しい設計により、現在の量子プロセッサに最小限のアーキテクチャ的変更で直接実装可能である。