[論文レビュー] Entangled Datasets for Quantum Machine Learning

Louis Schatzki, Andrew Arrasmith+2 more|arXiv (Cornell University)|Sep 8, 2021

Quantum Computing Algorithms and Architecture参考文献 79被引用数 28

ひとこと要約

本論文は、量子ニューラルネットワークによって生成された多部系エンタングルメントを変化させた量子状態データセットNTangledを紹介し、エンタングルメントベースの分類タスクに対するQMLモデルのベンチマークを行う。さらに、ハードウェア効率的回路からのスケーラブルで深さを変えられるエンタングル状態データセットと多部系エンタングル状態を生成する方法を提示する。

ABSTRACT

High-quality, large-scale datasets have played a crucial role in the development and success of classical machine learning. Quantum Machine Learning (QML) is a new field that aims to use quantum computers for data analysis, with the hope of obtaining a quantum advantage of some sort. While most proposed QML architectures are benchmarked using classical datasets, there is still doubt whether QML on classical datasets will achieve such an advantage. In this work, we argue that one should instead employ quantum datasets composed of quantum states. For this purpose, we introduce the NTangled dataset composed of quantum states with different amounts and types of multipartite entanglement. We first show how a quantum neural network can be trained to generate the states in the NTangled dataset. Then, we use the NTangled dataset to benchmark QML models for supervised learning classification tasks. We also consider an alternative entanglement-based dataset, which is scalable and is composed of states prepared by quantum circuits with different depths. As a byproduct of our results, we introduce a novel method for generating multipartite entangled states, providing a use-case of quantum neural networks for quantum entanglement theory.

研究の動機と目的

• 量子データセットを用いてQMLモデルをベンチマークする際、古典データセットより有利になる可能性があることを主張する。
• NTangledデータセットを紹介し、QNNで生成する方法を示す。
• エンタングルメントをターゲットラベルとする supervised classification タスクでQMLモデルをベンチマークする。
• ハードウェア効率的な量子回路により深さを変えたスケーラブルなエンタングル状態データセットを提案する。
• エンタングルメント理論へ結びつける実用的な多部系エンタングル状態生成法を提供する。

提案手法

• エンタングルメントに基づくラベル分類のための監督付きQMLフレームワークを定義する。
• ターゲットとなる concentratable entanglement (CE) 値を持つ状態を生成するようQNNを訓練する。
• CE および潜在的に n-tangle 指標を用いて生成状態を訓練・評価する。
• 3つの generator QNN アンサatz（hardware-efficient, strongly-entangling, convolutional）とその深さを探索する。
• 望ましい CE を課す損失関数を提案し、追加項で状態タイプ（例：W vs GHZ）をバイアスすることを検討する。
• TensorFlow Quantum/Cirq および Pennylane を用いたシミュレーションで訓練と一般化を実証する。

実験結果

リサーチクエスチョン

• RQ1 古典データを埋め込まずに、量子データセットを用いてQMLモデルの訓練とベンチマークを行えるか？
• RQ2 QNNを訓練して、規定された多部系エンタングルメント測度を持つ量子状態を生成できるか？
• RQ3 異なる generator QNN アンサatzと深さは、生成されるエンタングル状態の品質とタイプにどのように影響するか？
• RQ4 QMLモデルを用いてエンタングルメントレベルで状態を高精度に分類できるか？
• RQ5 エンタングルメントベースのデータセットは、ハードウェア効率的な回路深さからスケーラブルなベンチマークを提供するか？

主な発見

• NTangledデータセットは、ターゲットCE値を持つ状態を生成するよう訓練されたQNNによって生成可能である。
• 異なるQNNアンサatz（HWE, SEA, CONV）は、深さと訓練入力（基底状態 vs 生成状態）に応じて性能が異なる。
• 高エンタングルメントターゲットではSEAが一般的にHWEおよびCONVを上回り、深さを超えて高い成功確率を示す。
• 計算基底状態での訓練は、生成テストが生成状態が生成点でも高い成功率をもたらすことがある。
• CEベースの連続性界は、入力状態のトレース距離をCE差と結びつけ、一般化を示唆する。
• 訓練損失と入力分布を介してエンタングルメント分布を形作ることができる、という結果を示す。