[論文レビュー] Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning

Ruiyang Qin, Zhiding Liang+3 more|arXiv (Cornell University)|Oct 4, 2022

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

本稿では、ノイジィな中規模量子（NISQ）デバイスにおけるノイズを軽減するために、複数の量子コンピュータを用いた多数決投票を用いるアンサンブル量子分類器EQVを提案する。独立して訓練された複数のVQCを異なるハードウェアで実行し、その予測を集約することで、2クラスおよび4クラスのMNIST画像分類タスクにおいて、最新の手法よりも最大16.0%および6.1%高い精度を達成する。

ABSTRACT

Due to the immense potential of quantum computers and the significant computing overhead required in machine learning applications, the variational quantum classifier (VQC) has received a lot of interest recently for image classification. The performance of VQC is jeopardized by the noise in Noisy Intermediate-Scale Quantum (NISQ) computers, which is a significant hurdle. It is crucial to remember that large error rates occur in quantum algorithms due to quantum decoherence and imprecision of quantum gates. Previous studies have looked towards using ensemble learning in conventional computing to reduce quantum noise. We also point out that the simple average aggregation in classical ensemble learning may not work well for NISQ computers due to the unbalanced confidence distribution in VQC. Therefore, in this study, we suggest that ensemble quantum classifiers be optimized with plurality voting. On the MNIST dataset and IBM quantum computers, experiments are carried out. The results show that the suggested method can outperform state-of-the-art on two- and four-class classifications by up to 16.0% and 6.1% , respectively.

研究の動機と目的

• NISQ時代の量子コンピュータにおける高いノイズが変分量子分類器（VQC）の性能を低下させることに起因する課題に対処すること。
• VQCに古典的アンサンブル学習の平均集約を適用する際の限界、特に不均衡な信頼度分布に起因する問題を克服すること。
• ノイジーな量子環境において精度と安定性を向上させる、耐障害性のある量子アンサンブル学習フレームワークの開発。
• 単一デバイスの推論やQUILT（平均集約）のような既存のアンサンブル手法よりも、複数の量子コンピュータにまたがる多数決投票が優れていることを実証すること。

提案手法

• 同じ入力データに対して、異なるNISQ量子コンピュータに独立した変分量子回路（VQC）をデプロイし、多様な予測を生成する。
• 多数決投票戦略を用いて予測を集約し、最も多くの票を集めたクラスを最終出力とする。
• 正しい予測は、信頼度スコアが不均衡であっても、複数のデバイス間で一貫している可能性が高いという事実を活用する。
• MNIST-2およびMNIST-4データセットに対して、実際のIBM量子プロセッサ（ibmq_lima、ibmq_belem、ibmq_quito）上に4キュービットのアンザッツを用いてVQCを訓練する。
• 単一VQC推論、QUILT（平均集約）、ワン・オブ・オブ・ワン分類を含むベースライン手法と性能を比較する。
• 信頼度分布の分析を通じて、特に正しい予測と誤った予測の信頼度が歪んでいる状況下で、平均化よりも多数決投票が優れていることを正当化する。

実験結果

リサーチクエスチョン

• RQ1 NISQデバイスにおいて信頼度分布が不均衡な場合、多数決投票が平均集約を上回る性能を示すか？
• RQ2 複数の物理的量子コンピュータにVQC推論を分散させることで、単一デバイスでの実行に比べて分類精度が向上するか？
• RQ3 アンサンブル投票は、NISQ時代の量子分類器における量子ノイズの影響をどの程度軽減できるか？
• RQ4 実際の量子ハードウェア上で、QUILT やワン・オブ・オブ・ワンといった最新の量子アンサンブル手法と比較して、EQVの性能はどの程度か？
• RQ5 高クラス分類タスクにおいて、シミュレーションと実デバイスの性能差が拡大する理由は何か？

主な発見

• EQVは、アンサンブルサイズ7を用いて2クラスMNIST-2分類タスクで87.0%の精度を達成し、QUILT（71%）およびワン・オブ・オブ・ワン（28%）を最大16.0%上回る。
• 4クラスMNIST-4分類タスクでは、アンサンブルサイズ11でEQVが45.1%の精度を達成し、QUILT（39%）およびワン・オブ・オブ・ワン（21%）を6.1%上回る。
• 実量子ハードウェア上でのEQVの性能（MNIST-2で87.0%）は、個々のデバイスで実行した単一VQCの最大値（ibmq_quitoで83.0%）を上回る。
• シミュレーション（MNIST-2で91.0%）から実ハードウェア（MNIST-2で87.0%）への精度低下は、4クラスタスクで顕著に顕在され、qubit数の増加に伴いノイズへの感受性が高まることを示唆している。
• 多数決投票は、誤った予測がしばしば低信頼度であるが、平均集約では支配的になり得る不均衡な信頼度分布の影響を効果的に軽減する。
• ハードウェアの多様性と投票戦略を活用することで、個々の量子プロセッサの誤差率が異なる中でも、安定性と耐障害性が向上していることが示された。