[論文レビュー] Exponential separations between classical and quantum learners

Casper Gyurik, Vedran Dunjko|arXiv (Cornell University)|Jun 28, 2023

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

この論文は、データを生成する関数を特定することに注目することで、指数的量子古典学習分離の新事例を確立している。複雑性理論的仮定を導入し、ハミルトニアンや位相分類といった量子生成データの設定において、証明可能な分離を構築している。量子学習者は、古典的学習者が失敗するような複雑な物理的モデルを効率的に特定できるのに対し、古典的学習者はその能力に欠けることを示している。

ABSTRACT

Despite significant effort, the quantum machine learning community has only demonstrated quantum learning advantages for artificial cryptography-inspired datasets when dealing with classical data. In this paper we address the challenge of finding learning problems where quantum learning algorithms can achieve a provable exponential speedup over classical learning algorithms. We reflect on computational learning theory concepts related to this question and discuss how subtle differences in definitions can result in significantly different requirements and tasks for the learner to meet and solve. We examine existing learning problems with provable quantum speedups and find that they largely rely on the classical hardness of evaluating the function that generates the data, rather than identifying it. To address this, we present two new learning separations where the classical difficulty primarily lies in identifying the function generating the data. Furthermore, we explore computational hardness assumptions that can be leveraged to prove quantum speedups in scenarios where data is quantum-generated, which implies likely quantum advantages in a plethora of more natural settings (e.g., in condensed matter and high energy physics). We also discuss the limitations of the classical shadow paradigm in the context of learning separations, and how physically-motivated settings such as characterizing phases of matter and Hamiltonian learning fit in the computational learning framework.

研究の動機と目的

• 学習分離において、データを生成する関数を特定することと評価することの違いを明確にすること。
• 既存の文献におけるギャップに注目し、古典的難易度が関数評価に起因するのではなく、関数特定に起因する場合を扱うこと。
• 古典的難易度が生成関数の特定にある新しい学習分離を構築すること。
• 量子プロセスから得られるBQP困難関数が、学習において証明可能な量子優位性をもたらす仕組みを解明すること。
• 古典的シャドウフレームワークと物理的学習設定における説明可能性の限界を検討すること。

提案手法

• サンプリング仮定の下で、古典的に学習可能な関数を捉える複雑性クラス HeurBPP/samp を導入する。
• 既存の学習分離（例：LAT21, SG04）を分析し、古典的難易度が関数評価にあるのではなく、関数特定にあることが多くあることを特定する。
• 古典的難易度が関数評価ではなく関数特定にある2つの新しい学習分離（定理3および定理4）を提案する。
• 量子生成データ設定においてBQP完全関数から学習分離を導出するためのフレームワーク（定理5）を確立する。
• このフレームワークをボーズ＝ハッバードおよびフェルミ＝ハッバードモデルなどの物理系に適用し、量子学習者が秩序パラメータやハミルトニアンを特定できることを示す。
• 補題3および補題4を用いて、定理5の基準を満たす自然な仮定を同定し、具体的な構成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 計算学習理論において、関数特定に基づく学習分離と関数評価に基づく学習分離の違いは何か？
• RQ2 古典的難易度がデータ生成関数の特定にある場合に、証明可能な指数的量子優位性を達成できるか？
• RQ3 どのような複雑性理論的仮定の下で、量子プロセスから得られるBQP完全関数が学習分離をもたらすか？
• RQ4 なぜ古典的シャドウパラダイムは、位相分類のような物理的動機付けのある設定で学習分離を支持できないのか？
• RQ5 量子学習者は、古典的学習者ができない方法で、秩序パラメータやハミルトニアンといった物理的に意味のある概念を効率的に特定できるか？

主な発見

• この論文は、古典的難易度が生成関数の特定にある2つの新しい学習分離（定理3および定理4）を確立している。
• 複雑性クラス HeurBPP/samp を定義し、HeurBPP/samp ⊆ HeurP/poly を示しており、古典的学習可能性の分析に基礎を提供している。
• 定理5は、BQP完全関数から学習分離を導出する一般的手法を提供し、量子生成データ設定における量子優位性の実現を可能にする。
• このフレームワークはボーズ＝ハッバードおよびフェルミ＝ハッバードモデルなどの物理系に適用され、ハミルトニアン学習や位相学習における量子優位性の可能性を示している。
• 研究では、多くの自然な設定において、古典的学習者がハミルトニアンパラメータを効率的に特定できることを示しており、その結果、C_H^HL / Q_H^HL の分離がそれらの状況では成立しない可能性が排除される。
• 量子学習者が量子生成データにおいて優れた性能を発揮するという俗説があるが、データ生成プロセスを特定するために量子アルゴリズムを必要とする例はまだ見つかっておらず、これは重要な未解決問題を示している。