[論文レビュー] Equivariant Quantum Graph Circuits

Ákos Péter Mernyei, Konstantinos Meichanetzidis+1 more|arXiv (Cornell University)|Dec 10, 2021

Quantum Computing Algorithms and Architecture被引用数 10

ひとこと要約

本稿では、グラフ構造データに対する強い関係的インダクティブバイアスを有するパラメータ化された量子回路のクラス、等長量子グラフ回路（EQGCs）を紹介する。EH-QGCs や EDU-QGCs といったサブクラスが有界グラフ上の関数について普遍近似可能であることを証明し、古典的GNNよりも優れた表現力とバーニングプレートレット問題のない頑健な性能を示している。

ABSTRACT

We investigate quantum circuits for graph representation learning, and propose equivariant quantum graph circuits (EQGCs), as a class of parameterized quantum circuits with strong relational inductive bias for learning over graph-structured data. Conceptually, EQGCs serve as a unifying framework for quantum graph representation learning, allowing us to define several interesting subclasses which subsume existing proposals. In terms of the representation power, we prove that the studied subclasses of EQGCs are universal approximators for functions over the bounded graph domain. This theoretical perspective on quantum graph machine learning methods opens many directions for further work, and could lead to models with capabilities beyond those of classical approaches. We empirically verify the expressive power of EQGCs through a dedicated experiment on synthetic data, and additionally observe that the performance of EQGCs scales well with the depth of the model and does not suffer from barren plateu issues.

研究の動機と目的

• グラフ構造データに対する強いインダクティブバイアスを有する、量子グラフ表現学習の統一的フレームワークの構築を目的とする。
• グラフの対称性を尊重する等長量子回路を定義・特徴づけ、ノードの再ラベル化に対して置換等長性を保証することを目的とする。
• 有界グラフ上での主要なEQGCサブクラスの普遍近似能力を証明し、古典モデルに対する理論的優位性を確立することを目的とする。
• 合成データ上でEQGCの表現力を実証的に検証し、標準的なMPNNでは区別できないグラフ対を識別できることを示すこと。
• 回路の深さが増加しても、EQGCの性能が劣化しないこと、およびバーニングプレートレット問題が生じないことを示すこと。

提案手法

• ノードの置換に対して等長性を保証する量子グラフ学習の一般枠組みとして、等長量子グラフ回路（EQGCs）を提案する。
• 2つの主要なサブクラスを導入する：等長ハミルトニアンQGC（EH-QGCs）と等長に対角化可能なユニタリQGC（EDU-QGCs）、これらは既存の提案を統合する。
• EDU-QGCsがノード特徴量をランダムに拡張したMPNNに対応することを示し、有界グラフ上で普遍近似可能であることを証明することで理論的普遍性を確立する。
• 1ノードあたり1キュービットのテンソル積ヒルバート空間表現を用い、$\mathbb{C}^{2^n}$にグラフ状態を符号化し、置換等長ユニタリを適用する。
• 群論的推論を用いて等長ユニタリ空間の次元を特徴づけ、$n$が増加するにつれて表現力が無限大に達することを示す。
• 合成グラフデータセットを用いて、非同型グラフの識別性をテストし、EQGCsと古典的MPNNを比較する。

実験結果

リサーチクエスチョン

• RQ1 グラフ構造データに内在する置換対称性を尊重するパラメータ化された量子回路を設計可能か？
• RQ2 EQGCの特定のサブクラスは、有界グラフ上の関数について普遍近似可能か？
• RQ3 EQGCの表現力は、特にMPNNと比較してどの程度優れているか？
• RQ4 回路の深さが増加するにつれて、EQGCの性能はバーニングプレートレット問題により劣化するか？
• RQ5 標準的なMPNNでは区別できないグラフ対をEQGCsは区別可能か？

主な発見

• EDU-QGCsおよびEH-QGCsは、有界グラフドメイン上の関数について普遍近似可能であることが証明され、理論的普遍性が確立された。
• EQGCsの表現力は、MPNNよりも優れており、標準的なMPNNが区別できないグラフ対を識別できるという点で実証された。
• EQGCsは深さに応じて良好にスケーリングされ、バーニングプレートレット問題を示さないため、安定した学習ダイナミクスを示している。
• 等長ユニタリ空間の次元は、1ノードあたり1キュービットであっても$n$とともに無限大に増大するため、高い表現能力を示している。
• $\textsf{EU}_{2}^{n,+}$の次元に対する閉形式の式が$\frac{1}{6}n(n+1)(n+5)$として導出され、無限大の表現力が裏付けられた。
• 本フレームワークは統一的視点を提供し、既存の量子グラフ学習提案を包含・一般化している。