[論文レビュー] Generating quantum feature maps for SVM classifier

Bang-Shien Chen, Jann–Long Chern|arXiv (Cornell University)|Jul 23, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、多目的最適化を用いた遺伝的アルゴリズムと、ユニタリ行列分解を用いた変分量子回路の2つの手法を提案し、量子強化サポートベクターマシンにおける量子特徴マップの生成に用いる。分類精度は最大100%に達し、量子ゲートコストを顕著に低減した。最適化された回路では、性能を損なわずにゲート数がわずか3にまで削減された。

ABSTRACT

We present and compare two methods of generating quantum feature maps for quantum-enhanced support vector machine, a classifier based on kernel method, by which we can access high dimensional Hilbert space efficiently. The first method is a genetic algorithm with multi-objective fitness function using penalty method, which incorporates maximizing the accuracy of classification and minimizing the gate cost of quantum feature map circuit. The second method uses variational quantum circuit, focusing on how to contruct the ansatz based on unitary matrix decomposition. Numerical results and comparisons are presented to demonstrate how the fitness fuction reduces gate cost while remaining high accuracy and conducting circuit through unitary matrix obtains even better performance. In particular, we propose some thoughts on reducing and optimizing the gate cost of a circuit while remaining perfect accuracy.

研究の動機と目的

• 量子カーネル法を用いたサポートベクターマシン分類を向上させる効率的な量子特徴マップの開発。
• NISQデバイスにおけるノイズとリソース制約に配慮しつつ、分類精度を維持したまま量子回路のゲートコストを最小化すること。
• ユニタリ分解に基づくアーキテクチャを用いた変分量子回路アプローチと、遺伝的アルゴリズムに基づく最適化手法の性能を比較すること。
• 体系的なゲートの削減とパラメータ解析を通じて、回路の複雑さを最適化・低減すること。
• 非自明なベンチマークデータセット上で、低深さ・低ゲートコストの回路が完璧な分類精度を達成できることを実証すること。

提案手法

• ペナルティ法を用いた多目的遺伝的アルゴリズムを採用し、分類精度の最大化と量子回路ゲートコストの最小化を同時に実現する。
• 量子特徴マップ生成を、量子回路のパラメータと構造に関する組み合わせ最適化問題として定式化する。
• 精度と回路深さのバランスを取るためのフィットネス関数を採用し、ゲート数が多い場合にペナルティ項を適用する。
• ハードウェア効率の良いアーキテクチャと、ユニタリ分解に基づくアーキテクチャを用いた変分量子回路を活用し、最適な特徴マップを学習する。
• ユニタリ行列分解を用いて、制御されたゲートシーケンスで複雑な量子操作を表現可能なアーキテクチャを構築する。
• ゲートの必要性を検証し、不要な量子ビットの削除や、恒等ゲートやエンタングルメントのない操作などの冗長ゲートの削除によって回路最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 多目的フィットネス関数を用いた遺伝的アルゴリズムは、量子特徴マップ生成において分類精度と量子回路ゲートコストのバランスを効果的にとれるか？
• RQ2 ユニタリ分解アーキテクチャを用いた変分量子回路の性能は、遺伝的アルゴリズムベースの手法と比較して、精度と回路効率の面でどのように異なるか？
• RQ3 冗長なゲートやアイドルキュービットを削除することで、分類性能に影響を与えずに回路をどの程度最適化できるか？
• RQ4 低ゲートコスト回路（例：ゲート数 ≤ 3）は、moonshape や ad hoc のような非自明なデータセットで完璧な分類精度を達成できるか？
• RQ5 既存の量子カーネル法（例：共変量子カーネル）と比較して、本手法は精度とリソース効率の面でどのように優れているか？

主な発見

• 遺伝的アルゴリズム手法は、moonshape データセットでわずか3のゲートコストで100%の精度を達成し、標準的な QSVM や ZZFeatureMap を上回った。
• ユニタリ分解アーキテクチャを用いた変分量子回路は、ad hoc データセットで最高の精度（97.5%）を達成したが、固定ゲートコストが38と高かった。
• 体系的な最適化により、共変量子カーネルデータセットの回路は51から3のゲートコストに削減され、100%の精度を維持した。
• 共変データセットでは14の特徴のうちわずか4つが本質的であり、さらなる削減で回路は4つの回転ゲートにまで短縮された。その後、必要性のテストにより3つの必須ゲートにまで削減された。
• 共変データセットの最終的な最適化済み回路は、たった3つのゲート操作（3つの回転ゲート）で構成されており、最小限の量子リソースで高精度が達成可能であることを示した。
• ハードウェア効率の良いアーキテクチャは、複雑なデータセットでは遺伝的アルゴリズムよりわずかに高い精度を示したが、ゲートコストも高かった。一方、ユニタリ分解アーキテクチャは、固定ゲート数が高コストであるが、全体として最高の精度を達成した。