[論文レビュー] Learning Fourier series with parametrized quantum circuits

Dirk Heimann, Hohenfeld, Hans+3 more|arXiv (Cornell University)|Sep 21, 2022

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

本稿は、さまざまなパラメータ化された量子回路（PQC）が1次元に制限されたフーリエ級数を学習する際の性能を調査し、表現力とトレーニング可能性を評価するための新しい学習能力指標を導入している。PQCのフーリエ係数が同一であっても、訓練結果に顕著な差が生じることを示し、分散型量子ニューラルネットワーク（dQNN）のためのデータ再アップロード構造を提案することで回帰性能を向上させ、NISQデバイスにおける効率的なPQCアーキテクチャ設計の実用的ガイドラインを提示している。

ABSTRACT

Variational quantum algorithms (VQAs) and their applications in the field of quantum machine learning through parametrized quantum circuits (PQCs) are thought to be one major way of leveraging noisy intermediate-scale quantum computing devices. However, differences in the performance of certain VQA architectures are often unclear since established best practices, as well as detailed studies, are missing. In this paper, we build upon the work by Schuld et al. [Phys. Rev. A 103, 032430 (2021)] and Vidal et al. [Front. Phys. 8, 297 (2020)] by comparing how well popular ansätze for PQCs learn different one-dimensional truncated Fourier series. We also examine dissipative quantum neural networks (dQNN) as introduced by Beer et al. [Nat. Commun. 11, 808 (2020)] and propose a data reupload structure for dQNNs to increase their capability for this regression task. By comparing the results for different PQC architectures, we can provide guidelines for designing efficient PQCs.

研究の動機と目的

• 変分量子アルゴリズム（VQA）における効率的なパラメータ化された量子回路（PQC）の設計に関する確立されたベストプラクティスの欠如に対処すること。
• ハードウェア効率的、QAOA、dQNNなど、異なるPQCアーキテクチャのアンザッツの性能を、切断フーリエ級数を含む回帰タスクにおいて評価・比較すること。
• PQCの表現力とトレーニング可能性の両方を捉える新しい性能指標「学習能力」を導入すること。
• 複雑な関数を学習する能力を向上させるために、dQNNに向けたデータ再アップロード構造を提案・評価すること。
• バーニングプレインド（barren plateau）を回避しながら、キュービット数、ゲート数、パラメータ数を最小限に抑えるための実用的設計ガイドラインを提示すること。

提案手法

• Schuldら（2021）のフーリエに基づく分析フレームワークを拡張し、サンプリングされたフーリエ係数とその逆変換を用いて、ターゲット関数を再構築することでPQCを比較する。
• ターゲットフーリエ級数とPQC出力との間の平均二乗誤差に基づく、新しい性能指標「学習能力」を導入する。
• Adam最適化子を用いたハイブリッド量子古典最適化ループを採用し、1次元に制限されたフーリエ級数を含む回帰タスクでPQCを訓練する。
• 複数のパラメータ化されたゲート層を介して入力データを繰り返しエンコードすることで、dQNNのためのデータ再アップロード構造を設計・評価する。
• 小規模な量子回路（最大4キュービット）における数値シミュレーションを用い、同一の訓練条件およびハイパーパrameter下で、異なるアンザッツタイプを比較する。
• 回路の深さ、エンタングルメント、パラメータ数が最適化の成功に与える影響を分析し、特にバーニングプレインド現象に注目する。

実験結果

リサーチクエスチョン

• RQ1 ハードウェア効率的、QAOA、dQNNなど、異なるPQCアーキテクチャは、1次元に制限されたフーリエ級数の学習においてどのように比較されるか？
• RQ2 同一のフーリエ係数プロファイルを持つPQCでも、訓練性能に差が生じるか。その理由は何か？
• RQ3 データ再アップロードを組み込むことで、dQNNの学習能力はどの程度向上するか？
• RQ4 アンザッツアーキテクチャの選択は、最適化のための損失関数の局所的極小（バーニングプレインド）への感受性にどのように影響するか？
• RQ5 キュービット数、ゲート数、パラメータ数を最小限に抑えつつ、高い学習能力を維持するための設計原則は何か？

主な発見

• 同一のサンプリングされたフーリエ係数を持つPQCでも、訓練性能に顕著な差が生じることを示し、フーリエ係数の分析だけでは一般化性能やトレーニング可能性を予測することは不十分であることを示唆している。
• 提案された学習能力指標は、PQCアーキテクチャの差を効果的に識別でき、特にデータ再アップロードを施したdQNNが、標準的なdQNNや他のアンザッツタイプを上回ってフーリエ級数の学習性能を発揮していることを明らかにした。
• dQNNに向けたデータ再アップロード構造は、特に高周波数成分の学習において、テスト損失と収束速度の両面で顕著な改善をもたらした。
• キュービット数が少なく、ゲート数も少ない回路は、一般化性能が高く、バーニングプレインドへの感受性も低くなる傾向を示し、回路の複雑さを最小限に抑える設計原則を支持する。
• すべてのテストされたアーキテクチャが、回路の深さが増すとバーニングプレインドの兆候を示したが、特にグローバルコスト関数下で顕著であった。これにより、浅く効率的なアンザッツ設計の必要性が強化された。