[論文レビュー] Learning to Detect Entanglement

Bingjie Wang|arXiv (Cornell University)|Sep 11, 2017

Quantum Information and Cryptography参考文献 11被引用数 3

ひとこと要約

本論文では、量子もつれを従来の手法よりも効率的に検出できる機械学習的手法、すなわちフォレストアルゴリズムを紹介する。量子状態パラメータの確率分布をモデル化し、トモグラフィーのデータから得られる統計的パターンを活用することで、もつれの検出に必要な測定回数を削減する。特に、量子ビット数が増加するにつれて、先行するツリー・アルゴリズムを上回る性能を示す。

ABSTRACT

Classifying states as entangled or separable is a fundamental, but expensive task. This paper presents a method, the forest algorithm, to improve the amount of resources needed to detect entanglement. Starting from 'optimized' methods for using geometric criterion to detect entanglement, specific steps are replaced with machine learning models. Tests using numerical simulations indicate that the model is able to declare a state as entangled in fewer steps compared to existing methods. This improvement is achieved without affecting the correctness of the original algorithm.

研究の動機と目的

• 多量子ビット系において特に測定回数が膨大になる、従来のもつれ検出手法の非効率性を是正すること。
• 相関補完性に基づくヒューリスティックな意思決定ツリーに依存するツリー・アルゴリズムを改善するため、統計的パターン認識を強化する機械学習の統合。
• 実験的およびシミュレートされたデータを用いて、機械学習が量子状態解析、特にもつれ検出において性能向上をもたらすことを実証すること。
• 学習されたモデルが、もつれ検証のための測定オーバーヘッドを最小化する際に、解析的ヒューリスティクスを上回る可能性があるかどうかを検討すること。
• 2〜5量子ビットのさまざまな量子ビット数において、実験的に測定可能な量子状態を用いて、手法の性能を検証すること。

提案手法

• フォレストアルゴリズムは、量子状態トモグラフィーとツリー・アルゴリズムの原則を統合し、ベイズ的パrameter推定を用いて状態パラメータの分布をモデル化する。
• 過去の測定結果に基づき、次に測定すべき観測量を予測するため、シミュレート済みおよび実験的データでトレーニングされたランダムフォレスト分類器を採用する。
• もつれ検出に幾何的基準を適用する：非単位パウリ演算子の期待値の二乗和が1を超える場合、状態はもつれていると判定される。
• 相関補完性を適用して探索空間を制限し、反可換関係によりもつれ検出に貢献しにくいと予想される観測量を回避する。
• 乱数回路を用いてゲート数がポアソン分布に従うように生成された量子状態の分布を用いてモデルをトレーニングし、実験的状態準備を現実的に行う。
• フォレスト、ツリー、およびシンプルなトモグラフィー・アルゴリズムの間で、もつれ検出に必要な測定回数を比較して性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 解析的ヒューリスティクスと比較して、機械学習モデルがもつれ検出に必要な測定回数を削減できるか？
• RQ2 量子ビット数の増加に伴い、フォレストアルゴリズムの性能はツリー・アルゴリズムと比べてどのように変化するか？
• RQ3 現実的な状態分布でトレーニングすることで、もつれ検出における一般化性能と測定効率が向上するか？
• RQ4 フォレストアルゴリズムは、量子状態パラメータの統計的パターンを効果的に活用して測定選択をガイドできるか？
• RQ5 限られたデータでの状態特定において、フォレストアルゴリズムは従来のトモグラフィーやヒューリスティック手法よりもより頑健か？

主な発見

• 同じ実験的条件下で、2量子ビット状態ではフォレストアルゴリズムがツリー・アルゴリズムを3%、5量子ビット状態では20%の測定効率で上回る。
• 2量子ビット系ではフォレストとツリーの性能がほぼ同一であるが、量子ビット数が増加するにつれてフォレストの優位性が顕著に増大する。
• ポアソン分布に従うゲート数を持つ乱数量子回路で生成された実験的に測定可能な状態においても、より高い検出効率を達成する。
• フォレストとツリーの間の性能差は、機械学習が解析的ヒューリスティクスよりも複雑な測定データの統計的パターンをより効果的に捉えることができることを示唆している。
• フォレストアルゴリズムは最適な測定順序を学習することで、必要な測定回数を削減し、もつれ検出における適応性と効率性の向上を示している。
• 結果から、複雑なパrameter分布を直接モデル化できる能力のおかげで、フォレストアルゴリズムが全量子ビット数においてツリー・アルゴリズムを一般に改善しているという仮説が裏付けられる。