[論文レビュー] Large-scale quantum machine learning

Tobias Haug, Chris N. Self+1 more|arXiv (Cornell University)|Aug 2, 2021

Quantum Computing Algorithms and Architecture参考文献 38被引用数 10

ひとこと要約

この論文は、ランダム化測定を用いて量子カーネルを計算するスケーラブルな量子機械学習フレームワークを提案しており、計算時間に2乗の加速を達成する。これにより、大規模で高次元のデータセットの効率的な処理が可能になる。特徴量を回路深さに線形に符号化し、ノイズ低減を併用した分散量子コンputingを活用することで、MNIST画像の分類を220時間で実行する。これは10年から劇的に短縮されたものであり、現在のハードウェア上での産業的量子機械学習の実現を可能にする。

ABSTRACT

Quantum computers promise to enhance machine learning for practical applications. Quantum machine learning for real-world data has to handle extensive amounts of high-dimensional data. However, conventional methods for measuring quantum kernels are impractical for large datasets as they scale with the square of the dataset size. Here, we measure quantum kernels using randomized measurements to gain a quadratic speedup in computation time and quickly process large datasets. Further, we efficiently encode high-dimensional data into quantum computers with the number of features scaling linearly with the circuit depth. The encoding is characterized by the quantum Fisher information metric and is related to the radial basis function kernel. We demonstrate the advantages of our methods by classifying images with the IBM quantum computer. To achieve further speedups we distribute the quantum computational tasks between different quantum computers. Our approach is exceptionally robust to noise via a complementary error mitigation scheme. Using currently available quantum computers, the MNIST database can be processed within 220 hours instead of 10 years which opens up industrial applications of quantum machine learning.

研究の動機と目的

• 大規模データセットに対して、従来の量子カーネル手法の非現実的なスケーリング（データセットサイズに比例して2乗増加）を是正すること。
• 回路深さに線形スケーリングで高次元データを量子状態に効率的に符号化すること。
• ランダム化測定と分散量子処理を用いて、量子機械学習の計算時間を数十年から数日単位に短縮すること。
• 補完的誤り低減手法を用いて、近位量子デバイスにおけるノイズ耐性を向上させること。
• 現在の量子ハードウェア上で、MNISTデータセットを220時間以内に処理することで、量子機械学習の産業的実現可能性を実証すること。

提案手法

• 従来手法と比較して計算時間を2乗の加速を達成するため、量子カーネル推定にランダム化測定を採用する。
• 量子フィッシャー情報量計量に基づいて構造が特徴づけられ、径路基底関数カーネルと数学的に関連する特徴量符号化方式を設計する。
• 特徴量の数を回路深さに線形にスケーリングすることで、高次元データの効率的符号化を可能にする。
• 複数の量子コンピュータに量子計算タスクを分散させることで処理を加速し、リソース利用効率を向上させる。
• ノイズの多い中規模量子（NISQ）デバイスでの性能向上を図るため、補完的誤り低減技術を実装する。
• すべての要素を統合し、実世界の量子機械学習応用に適したスケーラブルなパイプラインを構築する。

実験結果

リサーチクエスチョン

• RQ1 ランダム化測定は、大規模データセットにおける量子カーネル計算に2乗の加速をもたらすか？
• RQ2 高次元データを回路深さに線形スケーリングで量子状態に符号化する方法は何か？
• RQ3 分散量子処理は、量子機械学習ワークフローの総実行時間をどの程度短縮できるか？
• RQ4 提案された誤り低減手法は、ノイズの多い量子ハードウェア上で分類精度をどの程度向上させるか？
• RQ5 全パイプラインは、現在の量子コンピュータ上でMNISTデータセットを現実的な時間内に処理できるか？

主な発見

• ランダム化測定の使用により、量子カーネル計算時間が2乗の加速を達成し、大規模処理が現実可能になる。
• 提案された符号化手法は回路深さに線形にスケーリングされ、高次元データの効率的処理を可能にする。
• MNISTデータセットの処理時間は10年から220時間に短縮され、実用的実現可能性が実証された。
• 補完的誤り低減手法により、近位量子デバイスにおけるノイズ耐性が顕著に向上した。
• 分散量子処理により、複数の量子コンピュータに計算タスクを分散させることで、より高速な実行が可能になった。
• このフレームワークは、現在利用可能な量子ハードウェア上で量子機械学習の産業的実現可能性を示した。