[論文レビュー] Hybrid Quantum-Classical Graph Convolutional Network

Samuel Yen-Chi Chen, Tzu-Chieh Wei+3 more|arXiv (Cornell University)|Jan 15, 2021

Quantum Computing Algorithms and Architecture参考文献 89被引用数 24

ひとこと要約

高エネルギー物理データ向けにハイブリッド量子-古典グラフ畳み込みニューラルネットワーク（QGCNN）を提案。パラメータ数を減らしつつQCNNと同等のテスト精度を達成し、DUNE類似データ上で古典的ベースラインを上回る。

ABSTRACT

The high energy physics (HEP) community has a long history of dealing with large-scale datasets. To manage such voluminous data, classical machine learning and deep learning techniques have been employed to accelerate physics discovery. Recent advances in quantum machine learning (QML) have indicated the potential of applying these techniques in HEP. However, there are only limited results in QML applications currently available. In particular, the challenge of processing sparse data, common in HEP datasets, has not been extensively studied in QML models. This research provides a hybrid quantum-classical graph convolutional network (QGCNN) for learning HEP data. The proposed framework demonstrates an advantage over classical multilayer perceptron and convolutional neural networks in the aspect of number of parameters. Moreover, in terms of testing accuracy, the QGCNN shows comparable performance to a quantum convolutional neural network on the same HEP dataset while requiring less than $50\%$ of the parameters. Based on numerical simulation results, studying the application of graph convolutional operations and other QML models may prove promising in advancing HEP research and other scientific fields.

研究の動機と目的

• スパースな高エネルギー物理データに対して量子機械学習の利用を動機づける。
• ハイブリッド量子-古典グラフ畳み込みアーキテクチャ（QGCNN）を導入する。
• DUNE様式データセットでパラメータ効率と競争力のある精度を示す。
• 同一タスクに対してQGCNNを古典的MLP/CNNおよびQCNNと比較する。

提案手法

• 正規化された隣接行列を用いて近傍特徴を集約するため、入力画像にグラフ畳み込み演算を適用する。
• 振幅エンコードを用いてグラフ処理後のベクトルを量子状態にエンコードし、必要量子ビットを最小化する。
• エンコードされた状態を、tanh活性化と最終的な古典的後処理層を挟んで2つの可変量子回路（VQC）ブロックで処理する。
• RMSProp最適化子を用いてVQCをトレーニングする際、勾配ベースのパラメータシフト法を使用する。
• DUNEデータセット上で、モデルパラメータと性能を古典的MLP/CNNおよびQCNNのベースラインと比較する。
• 量子データ処理には振幅エンコードと可変エンコード方式を活用する。

実験結果

リサーチクエスチョン

• RQ1 純粋な古典モデルと比べて、スパースなHEPデータに対してハイブリッド量子-古典グラフCNNは性能を向上させることができるか。
• RQ2 グラフ畳み込みと可変量子回路を統合することで、精度を維持しつつパラメータ数を削減できるか。
• RQ3 DUNEシミュレートされた粒子識別タスクにおいて、QGCNNはQCNNおよび古典的アーキテクチャとどのように比較されるか。

主な発見

• QGCNNは複数の二値分類タスクでQCNNよりパラメータ数が少ない一方、テスト精度は同等である。
• QGCNNは同じデータセットで、古典的なMLPおよびCNNベースラインよりも優れたテスト精度を示す。
• ミューオン対電子タスクでは、QGCNNが競合する量子および古典モデルよりはるかに少ないパラメータで高い精度を達成。
• ミューオン対陽子およびミューオン対パイオンタスクでは、QGCNNはQCNNよりも少ないパラメータで競争力のある、または優れたテスト精度を示す。
• 結果は、グラフ構造の量子処理がHEPイベントのようなスパースな科学データに有利であることを示唆する。