[論文レビュー] Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer

Manuel S. Rudolph, Ntwali Bashige Toussaint+4 more|arXiv (Cornell University)|Dec 7, 2020

Computational Physics and Python Applications被引用数 10

ひとこと要約

この論文は、イオントラップ量子コンピュータを用いて、高解像度の手書き数字を生成する最初の実験的実装であるハイブリッド量子古典的生成モデルを提示する。多基底量子回路ボーンマシン（QCBM）を用いてGANの事前分布をモデル化することで、MNISTデータセットにおいて最先端のインセプションスコア（IS）を達成し、限られたキュービット数にもかかわらず、訓練の安定性とサンプル品質の向上により、実用的な量子優位性を示した。

ABSTRACT

Generating high-quality data (e.g. images or video) is one of the most exciting and challenging frontiers in unsupervised machine learning. Utilizing quantum computers in such tasks to potentially enhance conventional machine learning algorithms has emerged as a promising application, but poses big challenges due to the limited number of qubits and the level of gate noise in available devices. In this work, we provide the first practical and experimental implementation of a quantum-classical generative algorithm capable of generating high-resolution images of handwritten digits with state-of-the-art gate-based quantum computers. In our quantum-assisted machine learning framework, we implement a quantum-circuit based generative model to learn and sample the prior distribution of a Generative Adversarial Network. We introduce a multi-basis technique that leverages the unique possibility of measuring quantum states in different bases, hence enhancing the expressivity of the prior distribution. We train this hybrid algorithm on an ion-trap device based on $^{171}$Yb$^{+}$ ion qubits to generate high-quality images and quantitatively outperform comparable classical Generative Adversarial Networks trained on the popular MNIST data set for handwritten digits.

研究の動機と目的

• 近い将来のNISQデバイスを用いて、生成モデルにおける実用的な量子優位性を示すこと。
• MNISTのような実世界のデータセットから高品質な画像を生成できるハイブリッド量子古典フレームワークの開発。
• キュービット数やゲートノイズといった現在の量子ハードウェアの制限を、量子強化された事前分布モデリングによって克服すること。
• 量子生成モデルが、理論的にではなく、標準ベンチマーク上で実際の実行においても、古典的GANを上回ることを検証すること。

提案手法

• GANの事前分布を量子回路でモデル化する量子回路アソシエイティブ対抗ネットワーク（QC-AAN）を採用。
• 多基底量子回路ボーンマシン（QCBM）により、量子状態を複数の基底で測定可能とし、事前分布の表現力が向上。
• QCBMにおけるパラメータ化された単一キュービット回転とトレーニング可能なゲートにより、計算基底および代替基底（例：Y基底）での柔軟な状態準備と測定が可能。
• 生成器ネットワークはQCBMからの事前サンプルを用いて従来の方法で訓練され、識別器は実画像と生成画像の両方で訓練される。
• 171Yb+イオンを用いた8キュービットのイオントラップ量子プロセッサ上で実装され、高精度な初期化とネイティブな2キュービットゲートを備える。
• グレースケール入力のため、Inception-v3ではなく、独自に開発したMNISTに適した畳み込みニューラルネットワーク分類器（99.3%の精度）を用いてインセプションスコアを計算。

実験結果

リサーチクエスチョン

• RQ1 現在のNISQハードウェアを用いて、ハイブリッド量子古典生成モデルが実世界の画像生成タスクで古典的GANを上回ることができるか？
• RQ2 QCBMにおける多基底状態測定が、生成サンプルの表現力と品質を顕著に向上させるか？
• RQ3 ターゲット分布が古典的に扱える場合でも、量子モデルが生成モデルにおいて実用的な量子優位性を示せるか？
• RQ4 限られたキュービットリソース下で、量子事前分布モデリングがGANの訓練安定性と収束に与える影響は何か？

主な発見

• QC-AANフレームワークは、8キュービットのみを用いてMNISTデータセットで8.96という最先端のインセプションスコアを達成し、同等の古典的GANを上回った。
• 多基底QCBMにより、キュービット数が限られても、事前分布の表現力が向上し、高品質な画像生成が可能となった。
• 量子支援訓練プロセスは、古典的ベースラインと比較して、より安定した訓練と損失関数の地形への良好な到達を示した。
• 6キュービットおよび8キュービットの事前分布による生成画像がそれぞれ64種および256種に限られても、高いインセプションスコアが達成されたことから、分類性能と多様性の両方が優れていた。
• 人間の観察者による評価では、生成された数字は一見して明瞭で識別可能であり、生成サンプル数が少ないにもかかわらず、高い知覚的品質を示した。
• これらの結果は、理論的非可算性ではなく、実世界のデータにおける優れた訓練ダイナミクスとサンプル品質を通じて、実用的な量子優位性が得られることを示唆している。