[論文レビュー] Is quantum advantage the right goal for quantum machine learning?

Maria Schuld, Nathan Killoran|arXiv (Cornell University)|Mar 2, 2022

Quantum Computing Algorithms and Architecture被引用数 8

ひとこと要約

この論文は、量子機械学習における量子優位性の追求が、古典的機械学習の優れた実用的性能と理論的複雑さのため、誤ったものであると主張している。代わりに、量子モデル、カーネル法、微分可能な量子プログラミングに関する基礎的研究へと焦点を移すべきだと提言している。量子アルゴリズムの高速化を必要としない範囲でも、進展を達成できることが示されている。

ABSTRACT

Machine learning is frequently listed among the most promising applications for quantum computing. This is in fact a curious choice: Today's machine learning algorithms are notoriously powerful in practice, but remain theoretically difficult to study. Quantum computing, in contrast, does not offer practical benchmarks on realistic scales, and theory is the main tool we have to judge whether it could become relevant for a problem. In this perspective we explain why it is so difficult to say something about the practical power of quantum computers for machine learning with the tools we are currently using. We argue that these challenges call for a critical debate on whether quantum advantage and the narrative of 'beating' classical machine learning should continue to dominate the literature the way it does, and highlight examples for how other perspectives in existing research provide an important alternative to the focus on advantage.

研究の動機と目的

• 古典的機械学習アルゴリズムの優れた性能と理論的複雑さのため、機械学習における量子優位性を達成することが極めて困難である理由を批判的に検討すること。
• 現在の量子優位性の実証への注力が、意味のある研究の範囲を制限し、基礎的進歩を阻害する可能性があると主張すること。
• 量子モデル設計、カーネル法、微分可能な量子プログラミングなどの代替研究分野が、量子アルゴリズムの高速化を要せずとも貴重な知見をもたらす可能性を強調すること。
• 研究コミュニティが「古典的アルゴリズムに勝る」ことに限定された視点から、より広範かつ持続可能な科学的探求へと転換するよう促すこと。
• 量子優位性が即座に実現されなくても、量子構築ブロックの研究、古典的学習理論への理論的接続、実用的なソフトウェアツールの開発から、量子機械学習における有意義な進展が生じ得ると提言すること。

提案手法

• 量子コンピューティングの問題（小規模な入力、構造的で理論的にアクセス可能な性質）と、現実世界の機械学習タスク（大規模な入力、不規則で動的に進化する理論）を比較することで、機械学習における量子優位性の実証がなぜ困難であるかを分析する。
• 量子回路の正確な勾配計算が可能となるハードウェアに優しい手法として、パラメータシフト則を導入する。これにより、微分可能な量子プログラミングが可能になる。
• 標準的な最適化手法（例：Adam や Momentum）を用いて、ハイブリッド量子-古典モデルのエンドツーエンド学習が可能になるように、量子勾配を既存のディープラーニングパイプラインに統合することを実証する。
• 特にカーネル法と最適化のランドスケープを通じて、量子機械学習と古典的学習理論との理論的・実用的関係を検討する。
• 量子コンピューティングとディープラーニングの相互作用から、量子に適応した最適化手法やテンソルネットワークに基づくモデルが生まれうることを提言する。
• 大規模な量子ハードウェアが整っていない状況では、量子速度化の主張よりも基礎的知見の重視を優先する研究評価基準の見直しを提唱する。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングの理論的期待にもかかわらず、なぜ機械学習における量子優位性の実証が特に困難なのか？
• RQ2 古典的アルゴリズムの高速化を要さずに、意味のある進展をもたらす量子機械学習の代替研究分野は何か？
• RQ3 微分可能な量子プログラミングとパラメータシフト則は、どのように実用的な量子機械学習応用を可能にするか？
• RQ4 カーネル法を通じて、量子機械学習モデルを古典的学習理論とどのように意味的に結びつけることができるか？
• RQ5 研究コミュニティは、量子優位性の物語に駆られることなく、基礎的イノベーションを支援するため、どのように研究の優先順位を再設定すべきか？

主な発見

• 機械学習における量子優位性の追求は、古典的アルゴリズムの優れた実用的性能が、量子優位性の実現に高いハードルを設けるため、妨げられている。
• 現在の制限（少ないキュービット数、大規模な入力サイズ）の下では、量子機械学習研究は、解析的に扱える問題の狭いサブセットに限定されている。
• パラメータシフト則により、量子回路の正確な勾配計算が最小限のオーバーヘッドで可能となり、標準的なディープラーニング最適化手法を用いた量子モデルの学習が現実的になった。
• 微分可能な量子プログラミングにより、量子サブルーチンがハイブリッド量子-古典モデルに統合され、Adam などの最適化手法を用いたエンドツーエンド学習が可能になった。
• 量子勾配と最適化に関する研究は、すでに量子に適応した最適化手法や、ディープラーニングとのクロス・ポリネーション（相互作用）をもたらし、例えばテンソルネットワークに基づくモデルの開発を促進している。
• 量子優位性への焦点を変えることで、モデル設計、カーネル理論、ソフトウェアツールといった基礎的問いに注力することで、短期間でのハードウェア優位性がなくても持続可能な進展が実現可能である。