[論文レビュー] Higher-Order Quantum Reservoir Computing

Quoc Hoan Tran, Kohei Nakajima|arXiv (Cornell University)|Jun 16, 2020

Neural Networks and Reservoir Computing参考文献 6被引用数 12

ひとこと要約

本稿では、複数の小さな相互接続型量子系を用いることでスケーラビリティとパフォーマンスを向上させるハイブリッド量子古典フレームワーク、高次量子リザボアコンピューティング（HQRC）を提案する。サブシステム間の古典的フィードバックとFORCE学習やインナートレーニングの可能성을活用することで、HQRCは複雑な時空間的カオスを効率的に再現でき、特定の非線形力学的システムタスクにおいて既存手法を上回る性能を示す。

ABSTRACT

Quantum reservoir computing (QRC) is an emerging paradigm for harnessing the natural dynamics of quantum systems as computational resources that can be used for temporal machine learning tasks. In the current setup, QRC is difficult to deal with high-dimensional data and has a major drawback of scalability in physical implementations. We propose higher-order QRC, a hybrid quantum-classical framework consisting of multiple but small quantum systems that are mutually communicated via classical connections like linear feedback. By utilizing the advantages of both classical and quantum techniques, our framework enables an efficient implementation to boost the scalability and performance of QRC. Furthermore, higher-order settings allow us to implement a FORCE learning or an innate training scheme, which provides flexibility and high operability to harness high-dimensional quantum dynamics and significantly extends the application domain of QRC. We demonstrate the effectiveness of our framework in emulating large-scale nonlinear dynamical systems, including complex spatiotemporal chaos, which outperforms many of the existing machine learning techniques in certain situations.

研究の動機と目的

• 既存の量子リザボアコンピューティング（QRC）フレームワークのスケーラビリティおよび高次元データ処理の制限を解決すること。
• 大規模な単一量子系の代わりに、複数の小さな相互接続型量子系を用いることで、QRCの実用的物理的実装を可能にすること。
• 量子リザボア間の古典的フィードバック接続を導入することで、計算能力と柔軟性を向上させること。
• 高次元量子力学的ダイナミクスにおける適応性を向上させるために、FORCE学習やインナートレーニングなどの高度なトレーニング方式を支援すること。
• 本フレームワークが、時空間的カオスを含む大規模非線形力学的ダイナミクスをどれだけ効果的に再現できるかを示すこと。

提案手法

• フレームワークは、古典的線形フィードバックで接続された複数の小さな量子リザボアで構成され、多次元入力処理と同期されたI/Oタイムステップを可能にする。
• 各サブシステムは、グローバル入力ストリームと他のリザボアからの信号の線形結合を受信し、分散的かつ同期的な計算を実現する。
• 量子ダイナミクスはハミルトニアン下でのユニタリ発展に従い、特定のキュービットでの測定によりリザボア状態を抽出する。
• 読み出し層は、収集した入出力ペアに基づいて出力重みを学習する正則化最小二乗回帰を用いる。
• 本システムはFORCE学習とインナートレーニングの両方のトレーニング方式をサポートし、高次元量子ダイナミクスにおける適応的かつ効率的な学習を可能にする。
• 長期予測タスクにおける安定性を向上させるために、トレーニング中に古典的ノイズを追加し、ノイズレベルをハイパーパrameterとして調整する。

実験結果

リサーチクエスチョン

• RQ1 複数の相互接続された小さな量子系に基づくハイブリッド量子古典フレームワークは、量子リザボアコンピューティングにおけるスケーラビリティを向上させることができるか？
• RQ2 量子リザボア間の古典的フィードバックの導入が、計算パフォーマンスおよび入力次元処理能力にどのように寄与するか？
• RQ3 高次QRCは、複雑なダイナミクスにおける適応性を高めるために、FORCE学習やインナートレーニングなどの高度なトレーニング方式をサポートできるか？
• RQ4 HQRCは、古典的ベースラインと比較して、大規模非線形力学的ダイナミクス、例えば時空間的カオスをどれだけ効果的に再現できるか？
• RQ5 HQRCは、高次元入力および複雑なダイナミクスを含む時系列機械学習タスクにおいて、優れたパフォーマンスを達成するか？

主な発見

• 高次量子リザボアコンピューティング（HQRC）フレームワークは、単一の大規模量子系の代わりに複数の小さな量子系を用いることで、スケーラブルで効率的な量子リザボアコンピューティングの実装を成功裏に実現した。
• サブシステム間の古典的フィードバックの導入により、HQRCは多次元入力の協調処理を可能にし、計算の柔軟性を高めた。
• 本フレームワークは、FORCE学習やインナートレーニングなどの高度なトレーニング方式をサポートしており、高次元量子ダイナミクスにおける適応性を顕著に向上させた。
• HQRCは、複雑な時空間的カオスの再現において優れたパフォーマンスを示し、特定の非線形力学的システムタスクにおいて、多くの既存の機械学習手法を上回った。
• トレーニング中にガウスノイズを追加することで、長期予測の安定性が向上し、最適な性能は $\eta_n = 5 \times 10^{-3}$ のノイズレベルで観察された。
• 本フレームワークは、大規模で複雑な合成要件を有する単一分子量子系を必要としないため、NISQデバイス上でも実用的に実装可能である。