[論文レビュー] Exponential concentration in quantum kernel methods

Supanut Thanasilp, Samson Wang+2 more|arXiv (Cornell University)|Aug 23, 2022

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

この論文は、量子カーネル手法における学習可能性の主要な障壁として、量子カーネル値の指数的集中を特定し、表現力、全般的な測定、もつれ、ノイズによってカーネル値が固定された平均値に指数的に集中する原因となることを示している。これにより測定のオーバーヘッドが指数的に増加する。著者らは解析的集中バウンドを導出し、これらの条件下では凸最適化の保証があってもカーネル学習が非現実的になることを示している。

ABSTRACT

Kernel methods in Quantum Machine Learning (QML) have recently gained significant attention as a potential candidate for achieving a quantum advantage in data analysis. Among other attractive properties, when training a kernel-based model one is guaranteed to find the optimal model's parameters due to the convexity of the training landscape. However, this is based on the assumption that the quantum kernel can be efficiently obtained from quantum hardware. In this work we study the performance of quantum kernel models from the perspective of the resources needed to accurately estimate kernel values. We show that, under certain conditions, values of quantum kernels over different input data can be exponentially concentrated (in the number of qubits) towards some fixed value. Thus on training with a polynomial number of measurements, one ends up with a trivial model where the predictions on unseen inputs are independent of the input data. We identify four sources that can lead to concentration including: expressivity of data embedding, global measurements, entanglement and noise. For each source, an associated concentration bound of quantum kernels is analytically derived. Lastly, we show that when dealing with classical data, training a parametrized data embedding with a kernel alignment method is also susceptible to exponential concentration. Our results are verified through numerical simulations for several QML tasks. Altogether, we provide guidelines indicating that certain features should be avoided to ensure the efficient evaluation of quantum kernels and so the performance of quantum kernel methods.

研究の動機と目的

• 実用的ハードウェア制約下での量子カーネル手法の学習可能性を調査し、特にカーネル値推定の効率性を明らかにすること。
• 量子カーネル学習を非現実的にする要因となる指数的カーネル集中の原因を同定・分析すること。
• さまざまな物理的およびアーキテクチャ的条件下での量子カーネルの解析的集中バウンドを提供すること。
• 量子ニューラルネットワークにおけるバーレンプレートの概念を量子カーネル手法に拡張し、類似の「カーネル集中」現象を特定すること。
• 全般的な測定や高い表現力といった問題の要因を避けることで、学習可能な量子カーネルモデルを設計するための実用的ガイドラインを提示すること。

提案手法

• ヒルベルト演算子の期待値の分散分析を用いて、量子カーネル値の解析的集中バウンドを導出する。
• パラメータ化された量子カーネルを入力データと変分パラメータの関数としてモデル化し、状態の表現力と測定タイプに依存する依存関係を分析する。
• バーレンプレート理論の結果を適用して、カーネルの期待値がパラメータ変動に対して分散が消滅する場合にカーネル集中が生じることを示す。
• 各回路層の前後で局所的パウリノイズが作用するノイズ付きパラメータ化量子カーネルモデルを導入し、このノイズモデル下での集中バウンドを導出する。
• スイッチング2-リーマン相対エントロピーとトレースノルムを用いて、ノイズのついた量子状態と最大混合状態との乖離を定量化する。
• 複数のQMLタスクにおける数値シミュレーションを実施し、指数的カーネル集中の理論的予測とその学習への影響を検証する。

実験結果

リサーチクエスチョン

• RQ1 量子カーネル値が量子ビット数の増加に伴い固定された平均値に指数的に集中する原因は何ですか？
• RQ2 全般的な測定、もつれ、表現力、ノイズの各要因が、量子カーネル手法におけるカーネル集中にどのように寄与するでしょうか？
• RQ3 凸最適化のランドスケープがあるにもかかわらず、カーネル集中が量子カーネルモデルの学習可能性をどの程度損なうでしょうか？
• RQ4 量子ニューラルネットワークにおけるバーレンプレートの概念を量子カーネル手法に一般化できるでしょうか。もしそうなら、どのように？
• RQ5 異なるアーキテクチャ的選択の下で、理想状態およびノイズ付き量子カーネルモデルのカーネル集中に対する解析的バウンドは何か？

主な発見

• 量子カーネル値は、量子ビット数の増加に伴い固定された平均値に指数的に集中し、正確な推定に必要な測定回数が指数的に増加する。
• フィデリティ量子カーネルは $ F(q,L) = q^{2L+1} \big\braceVert \rho_0 - \frac{\rm I}{2^n} \big\braceVert_2 $ というバウンドで集中し、ノイズと回路深さが集中を強化することが示された。
• プロジェクトド量子カーネルの集中は $ F(q,L) = (8\ln 2)\gamma n q^{b(L+1)} S_2\left(\rho_0 \Big{\|} \frac{\rm I}{2^n} \right) $ でバウンドされ、$ b \approx 0.72 $ であり、ノイズと状態の純度に強く依存することが示された。
• 全般的な測定によるカーネル集中は、QNNにおけるバーレンプレートと解析的に関連づけられ、カーネルの分散が系サイズに伴い指数的に消滅することが示された。
• 古典的データとカーネルアライメント学習であっても、パラメータ化されたデータ埋め込みは指数的集中を起こす可能性があり、モデル性能を制限することが分かった。
• 数値的シミュレーションにより、高量子ビット領域ではサンプリングノイズが真のカーネル差よりも支配的となり、凸最適化の保証があってもモデルが学習不能になることが確認された。