[論文レビュー] Learning architectures based on quantum entanglement: a simple matrix product state algorithm for image recognition

Yuhan Liu, Xiao Zhang+2 more|arXiv (Cornell University)|Mar 24, 2018

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本論文は、量子状態のエンタングルメント特徴（例えば、1サイトおよび2部位のエンタングルメント）をデータの重要性指標として用いる、画像を表すための新規な機械学習手法を提案する。量子構造に基づく表現を用いて古典的学習アルゴリズムを適用することで、低次元の計算効率の良いユニタリ行列を用いてエンタングルメントが分類性能を向上させることを示している。

ABSTRACT

It is a fundamental, but still elusive question whether methods based on quantum mechanics, in particular on quantum entanglement, can be used for classical information processing and machine learning. Even partial answer to this question would bring important insights to both fields of both machine learning and quantum mechanics. In this work, we implement simple numerical experiments, related to pattern/images classification, in which we represent the classifiers by quantum matrix product states (MPS). Classical machine learning algorithm is then applied to these quantum states. We explicitly show how quantum features (i.e., single-site and bipartite entanglement) can emerge in such represented images; entanglement characterizes here the importance of data, and this information can be practically used to improve the learning procedures. Thanks to the low demands on the dimensions and number of the unitary matrices, necessary to construct the MPS, we expect such numerical experiments could open new paths in classical machine learning, and shed at same time lights on generic quantum simulations/computations.

研究の動機と目的

• 量子エンタングルメント特徴が古典的画像分類に活用可能かどうかを調査すること。
• 行列積状態（MPS）が機械学習における古典的データの表現として実現可能かどうかを検討すること。
• エンタングルメント測定値が学習タスクにおけるデータの重要性の意味的指標として機能するかどうかを特定すること。
• 低次元設定におけるMPSベースの分類器の計算効率を評価すること。

提案手法

• 画像を量子行列積状態（MPS）として表現し、画素データをテンソルネットワーク構造に符号化する。
• 1サイトおよび2部位のエンタングルメント測定値を特徴量として用い、画像表現におけるデータの重要性を評価する。
• MPSに符号化されたデータに対して古典的機械学習アルゴリズムを適用し、パターンおよび画像分類を実行する。
• 計算オーバーヘッドを最小限に抑えるために、低次元ユニタリ行列を用いてMPSを構築する。
• 画像分類タスクにおける数値実験を用いて分類器を訓練および評価する。
• エンタングルメント構造と分類性能およびデータ関連性との相関を分析する。

実験結果

リサーチクエスチョン

• RQ1 行列積状態から抽出した量子エンタングルメント特徴が、古典的画像分類を向上させることができるか？
• RQ2 1サイトおよび2部位のエンタングルメント測定値は、学習における画像データの重要性とどのように関係しているか？
• RQ3 低次元MPS表現が分類精度をどの程度維持できるか？
• RQ4 古典的学習アルゴリズムは、量子インスピレーション型テンソルネットワーク構造を効果的に活用できるか？
• RQ5 エンタングルメント特徴を古典的学習パイプラインに統合する際の計算コストはいかほどか？

主な発見

• 特に2部位エンタングルメントが、画像データ内の構造的重要性を効果的に捉えており、学習の関連性を向上させている。
• 低次元ユニタリ行列のみを用いても実用的な分類性能が達成されており、計算上の実現可能性が示された。
• 1サイトおよび2部位のエンタングルメントは、画像表現内でのデータ重要性の測定可能な指標として機能する。
• 古典的学習パイプラインへの量子インスピレーション型特徴の統合により、学習効率とデータ利用効率が向上した。
• 数値実験により、MPSベースの表現が標準的な古典的アルゴリズムで効果的に訓練可能であることが確認された。
• 本手法は、量子情報の概念と古典的機械学習の間の橋渡しを果たし、ハイブリッドモデルの新たな道筋を示唆している。