[論文レビュー] Large-scale quantum reservoir learning with an analog quantum computer

Milan Kornjača, Hong-Ye Hu+51 more|arXiv (Cornell University)|Jul 2, 2024

Neural Networks and Reservoir Computing被引用数 9

ひとこと要約

勾配なしの、スケーラブルな量子リザーバ学習(QRC)を中性原子アナログ量子コンピュータを用いて実証し、108量子ビットへのスケーリングと、競争力のあるタスクおよび比較的量子カーネルの優位性を示す。

ABSTRACT

Quantum machine learning has gained considerable attention as quantum technology advances, presenting a promising approach for efficiently learning complex data patterns. Despite this promise, most contemporary quantum methods require significant resources for variational parameter optimization and face issues with vanishing gradients, leading to experiments that are either limited in scale or lack potential for quantum advantage. To address this, we develop a general-purpose, gradient-free, and scalable quantum reservoir learning algorithm that harnesses the quantum dynamics of neutral-atom analog quantum computers to process data. We experimentally implement the algorithm, achieving competitive performance across various categories of machine learning tasks, including binary and multi-class classification, as well as timeseries prediction. Effective and improving learning is observed with increasing system sizes of up to 108 qubits, demonstrating the largest quantum machine learning experiment to date. We further observe comparative quantum kernel advantage in learning tasks by constructing synthetic datasets based on the geometric differences between generated quantum and classical data kernels. Our findings demonstrate the potential of utilizing classically intractable quantum correlations for effective machine learning. We expect these results to stimulate further extensions to different quantum hardware and machine learning paradigms, including early fault-tolerant hardware and generative machine learning tasks.

研究の動機と目的

• 普遍的で勾配なしの量子リザーバ学習アルゴリズムを中性原子アナログ量子コンピュータ上で実証する。
• 二値/多クラス分類と時系列予測における学習性能を示す。
• システムサイズの増加に伴うQRCのスケーラビリティとノイズ耐性を検証する。
• カーネル幾何学の概念を用いた比較的量子カーネル優位性を評価する。
• 量子相関が実用的な学習利得をもたらすデータセットの根拠を提供する。

提案手法

• データをグローバルパルス、位置、または局所パルスエンコーディングを用いて中性原子Rydbergハミルトニアンへエンコードする。
• Ω(t)、V_jk、Δ_g(t)、Δ_l(t) を定義通りにもちいたH(t) の下で量子リザーバを進化させ、⟨Z_j⟩ および ⟨Z_jZ_k⟩ から測定埋め込みを抽出する。
• 局所観測量から u_i[n] の埋め込みを形成し、線形SVMや回帰器といった簡易な古典的後処理を用いる。
• リザーバ埋め込みを量子カーネル K(x[n], x[m]) = ⟨u[n], u[m]⟩ として扱い、カーネル幾何差を分析して量子優位性を評価する。
• Ω、V、およびエンコーディングスケールが同程度の大きさになる普遍的パラメータ領域を特定し、量子パラメータ最適化の必要性を低減する。

実験結果

リサーチクエスチョン

• RQ1 中性原子ハードウェアを用いた勾配なしQRCフレームワークが標準機械学習タスクで競争力のある性能を達成できるか。
• RQ2 クビット数（最大108）と測定の増大に伴うQRCのスケーリングと、ハードウェアノイズへの頑健性はどうか。
• RQ3 設計されたデータセット上で、局所埋め込みが古典カーネルに対して比較的量子カーネル優位性を生み出すか。
• RQ4 どのエンコーディング方式（グローバルパルス、位置、局所パルス）がタスクとハードウェアノイズ条件で性能を最大化するか。
• RQ5 ノイズ耐性が高く資源を節約する量子学習を可能にする普遍的パラメータ領域の役割は何か。

主な発見

• 最大108量子ビットの段階まで、二値/多クラス分類と時系列予測の学習を達成した。
• 古典的ベースラインと競争力のある性能を観測し、syntheticデータセットにおけるカーネル幾何学ベースの量子利得を示した。
• Ω、V、およびエンコーディングのスケールが同程度となる普遍的パラメータ島を見つけ、パラメータ調整の必要性を低減した。
• 最大探索範囲の108量子ビットにわたって、タスク全般でQRCの性能がシステムサイズとともに向上することを実証した。
• 時系列データの3つのエンコーディングを比較し、シミュレーションと実験の間に位相感度の差があるものの、エンコーディングのランキングは維持された。
• MNIST 3/8 タスクおよび合成データセットで比較的量子カーネル優位性を示し、ショット数が控えめでも観測可能な利得が見られた。