[論文レビュー] Learning simulator for quantum-algorithm design

Jeongho Bang, Junghee Ryu+3 more|arXiv (Cornell University)|Jan 7, 2013

Quantum Computing Algorithms and Architecture被引用数 1

ひとこと要約

この論文では、オракルに基づく問題を解くために、古典的「教師」が量子的「学生」アルゴリズムを指導する量子-古典ハイブリッドシミュレータを提案する。モンテカルロシミュレーションを用いて、学習時間がパラメータ数の平方根に比例することを示した。これは、古典的機械学習手法が示す指数的スケーリングと比較して、著しく高速である。

ABSTRACT

We propose a method for algorithm design assisted by machine learning. The method uses a quantum-classical hybrid simulator, where a quantum student is being taught by a teacher. In other words, in our method, the learning system is supposed to evolve into a algorithm for a given problem assisted by classical main-feedback system. Our method is applicable to design oracle-based algorithm. As a case study, we chose an oracle decision problem, called a Deutsch-Jozsa problem. We showed by using Monte-Carlo simulations that our simulator can faithfully learn algorithm to solve the problem for given oracle. Remarkably, learning time is proportional to the square root of the total number of parameters instead of the exponential dependance found in the classical machine learning based method.

研究の動機と目的

• 量子アルゴリズム設計のための機械学習支援手法を開発し、古典的手法よりも学習効率に優れることを目的とする。
• 量子アルゴリズム設計における古典的機械学習の指数的スケーリングの課題に対処することを目的とする。
• 教師-生徒フレームワークを用いて、オラクルに基づく量子アルゴリズムの効率的学習を可能とすることを目的とする。
• ベンチマークとしての量子問題、デュイッチ＝ジョーズァ問題に対して、この手法を検証することを目的とする。
• 学習時間がパラメータ数に対して指数的でない、具体的にはパラメータ数の平方根に比例するスケーリングを達成することを目的とする。

提案手法

• 本手法は、量子系（「学生」）が古典的フィードバックシステム（「教師」）の指導のもとで問題を解くことを可能にする量子-古典ハイブリッドシミュレータを採用する。
• 教師は、学生の量子回路のパフォーマンスに基づいて主要なフィードバックを提供し、パrameterの更新を導く。
• 学習プロセスは、量子回路が正しい解へと進化する様子を評価するためにモンテカルロシミュレーションを用いて実装される。
• 本手法は、デュイッチ＝ジョーズァ問題のようなオラクル意思決定問題に特に適合している。
• 量子学生の回路は、オラクル応答分類の誤差を最小化するように、フィードバックをもとに繰り返し調整される。
• 本手法は、量子重ね合わせともつれを活用して、古典的手法よりも効率的に解空間を探索する。

実験結果

リサーチクエスチョン

• RQ1 量子-古典ハイブリッドシミュレータは、オラクルに基づく問題を解くための量子アルゴリズムを効果的に指導できるか？
• RQ2 提案手法の学習時間は、パラメータ数の増加に対して古典的機械学習と比較してどのようにスケーリングするか？
• RQ3 本手法は、量子アルゴリズム設計における学習時間に対して指数的でないスケーリングを達成できるか？
• RQ4 古典的教師からのフィードバックを用いて、シミュレータはデュイッチ＝ジョーズァ問題の正しい解を信頼性高く学習できるか？
• RQ5 収束速度の観点から、本手法は古典的機械学習手法に比べてどの程度の性能優位性を示すか？

主な発見

• 提案されたシミュレータは、モンテカルロシミュレーションを用いて、デュイッチ＝ジョーズァ問題を解く量子アルゴリズムを成功裏に学習した。
• 学習時間は、パラメータ総数の平方根に比例することが示された。これは、古典的手法に比べて顕著な改善を示している。
• 本手法は、量子アルゴリズム設計における古典的機械学習手法で一般的に見られる指数的スケーリングを回避した。
• 教師-生徒フレームワークにより、効率的なフィードバック駆動型最適化が可能になった。
• 結果として、オラクル応答の忠実な学習が確認され、本手法がオラクルに基づく問題に対して信頼性があることを示した。
• 非指数的スケーリングの特性は、複雑な量子アルゴリズム設計への広範な応用可能性を示唆している。