[論文レビュー] GenQu: A Hybrid System for Learning Classical Data in Quantum States

Samuel A. Stein, Ray Marie Tischio+6 more|arXiv (Cornell University)|May 4, 2021

Quantum Computing Algorithms and Architecture参考文献 20被引用数 10

ひとこと要約

GenQuは、深層ニューラルネットワークを用いて古典的データを量子状態に符号化するハイブリッド量子古典フレームワークであり、大幅に削減されたキュービット要件とパラメータ数で効率的な学習を可能にする。シミュレーションおよびIBM-Qハードウェア上で実際のデータセットを用いた実験において、古典的手法と同等の精度を維持しながら、モデルパラメータを最大95.8％削減し、収束速度を66.67％高速化する。

ABSTRACT

Deep neural network-powered artificial intelligence has rapidly changed our daily life with various applications. However, as one of the essential steps of deep neural networks, training a heavily-weighted network requires a tremendous amount of computing resources. Especially in the post Moore's Law era, the limit of semiconductor fabrication technology has restricted the development of learning algorithms to cope with the increasing high-intensity training data. Meanwhile, quantum computing has exhibited its significant potential in terms of speeding up the traditionally compute-intensive workloads. For example, Google illustrates quantum supremacy by completing a sampling calculation task in 200 seconds, which is otherwise impracticable on the world's largest supercomputers. To this end, quantum-based learning becomes an area of interest, with the promising of a quantum speedup. In this paper, we propose GenQu, a hybrid and general-purpose quantum framework for learning classical data through quantum states. We evaluate GenQu with real datasets and conduct experiments on both simulations and real quantum computer IBM-Q. Our evaluation demonstrates that, comparing with classical solutions, the proposed models running on GenQu framework achieve similar accuracy with a much smaller number of qubits, while significantly reducing the parameter size by up to 95.8\% and converging speedup by 66.67% faster.

研究の動機と目的

• ポスト・ムーアの法則時代における深層ニューラルネットワークのトレーニングに伴う計算負荷の増大に対処する。
• 高強度のトレーニングデータを処理するにあたり、古典的ハードウェアの拡張性の限界を克服する。
• 機械学習ワークロードにおける量子コンピューティングのスルーレットの可能性を活用する。
• 古典的データを量子状態に符号化し、効率的な学習が可能な汎用的でハイブリッドな量子フレームワークを開発する。
• 古典的モデルと比較して、キュービット数およびパラメータ数を著しく削減した状態で同等のモデル精度を達成する。

提案手法

• 深層ニューラルネットワークを用いて、古典的データを量子状態に効率的に符号化する。
• 古典的データ処理と量子状態準備を統合したハイブリッド量子古典アーキテクチャを設計する。
• キュービットおよびパラメータのオーバーヘッドを最小限に抑える、パラメータ効率の良い量子モデルトレーニングパイプラインを実装する。
• 量子回路構造を最適化して深さとゲート数を削減し、ニアテーム量子ハードウェアとの互換性を高める。
• エンドツーエンドの評価のため、量子シミュレータおよび実際のIBM-Q量子プロセッサの両方でフレームワークをデプロイする。
• パラメータ空間を縮小した状態で、量子変動アルゴリズムを用いて符号化された量子状態上でモデルをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典フレームワークは、大幅に少ないキュービット数およびパラメータ数で、古典的ディープラーニングモデルと同等のモデル精度を達成できるか？
• RQ2 ニアテーム量子ハードウェアを用いて、古典的データ学習タスクにおいてどの程度の量子スルーレットが実現可能か？
• RQ3 GenQuを用いてトレーニングされた量子モデルのパラメータ効率は、実世界のデータセットにおいて古典的モデルと比較してどの程度か？
• RQ4 同等の精度目標を設定した場合、GenQuでトレーニングされたモデルの収束性能は古典的トレーニングと比較してどの程度か？
• RQ5 GenQuフレームワークは、さまざまなデータセットおよび量子ハードウェアプラットフォームにおいて、スケーラビリティと耐障害性を有しているか？

主な発見

• GenQuは、実際のデータセットを用いてトレーニングした場合、古典的ディープラーニングモデルと同等のモデル精度を達成する。
• フレームワークは、古典的ソリューションと比較して、モデルパラメータ数を最大95.8％まで削減する。
• GenQuモデルは、トレーニング中、その古典的対応物と比較して66.67％速く収束する。
• フレームワークは、量子シミュレータおよび実際のIBM-Q量子ハードウェアの両方で効果的なパフォーマンスを示す。
• 量子状態符号化戦略により、最小限のキュービットオーバーヘッドで効率的な学習が可能となり、ニアテーム量子デバイスへの実装可能性が向上する。
• ハイブリッド設計により、特にパラメータ数およびキュービット数の計算リソース要件を著しく削減しながら、高い精度を維持する。