[論文レビュー] Learning Unitaries by Gradient Descent

Bobak T. Kiani, Seth Lloyd+1 more|arXiv (Cornell University)|Jan 31, 2020

Quantum Computing Algorithms and Architecture参考文献 25被引用数 33

ひとこと要約

本論文は、交互演算子列に対する勾配降下法が、列のパラメータが少なくとも d^2 個ある場合に U(d) の任意の Haar ランダムユニタリを学習できることを示し、臨界パラメータ数で計算的相転移を明らかにする。

ABSTRACT

We study the hardness of learning unitary transformations in $U(d)$ via gradient descent on time parameters of alternating operator sequences. We provide numerical evidence that, despite the non-convex nature of the loss landscape, gradient descent always converges to the target unitary when the sequence contains $d^2$ or more parameters. Rates of convergence indicate a "computational phase transition." With less than $d^2$ parameters, gradient descent converges to a sub-optimal solution, whereas with more than $d^2$ parameters, gradient descent converges exponentially to an optimal solution.

研究の動機と目的

• 時間パラメータ化された交互演算子列上で勾配降下法を用いて Haar ランダムユニタリを U(d) で学習する難易度を評価する。
• 列内のパラメータ数が収束に与える影響を調べ、過少パラメータ化と過剰パラメータ化の間の相転移を特定する。
• 任意のユニタリと浅い深さのユニタリの両方の学習を検討し、損失ランドスケープの挙動と収束速度を特徴付ける。

提案手法

• ユニタリを V(t,τ) = e^{-i A t_K} e^{-i B τ_K} ... e^{-i A t_1} e^{-i B τ_1} の形でモデル化し、パラメータは t_i, τ_i とする。
• A, B を Gaussian Unitary Ensemble (GUE) のランダム行列として扱い、系の可制御性を確保する。
• 学習問題を L(t,τ) = ||U − V(t,τ)||^2 を Frobenius ノルムで最小化する問題として定式化する。
• 全ての 2K 個のパラメータに対して勾配降下法を実行し、パラメータ数の異なる場合 (2K < d^2, 2K = d^2, 2K > d^2) の収束を解析する。
• 任意のターゲットユニタリと浅い深さのターゲットの両方を探索し、深さをまたいだ学習可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 パラメータ数の関数として、交互演算子列上の勾配降下法は Haar ランダムターゲットユニタリを確実に U(d) から回復できるか？
• RQ2 臨界パラメータ数 2K = d^2 において収束挙動に計算的相転移があるか？
• RQ3 勾配降下法は浅い深さのユニタリを学習できるか、できる場合は d^2 に対してどの程度のパラメータ予算が必要か？
• RQ4 過少パラメータ化、臨界パラメータ化、過剰パラメータ化の各制度で収束速度はどう異なるか？
• RQ5 これらの量子制御課題の学習可能性に影響を与える損失ランドスケープの特徴（局所最小、鞍点など）は何か？

主な発見

• パラメータ数が少なくとも d^2 以上の場合、勾配降下法はターゲットユニタリへ収束する。
• 過少パラメータ化の場合 (2K < d^2) は通常、最適でない損失プラトーへ収束する。
• 臨界点 2K = d^2 では、学習はべき法則的な収束を示し、速度は遅くなる。
• 過剰パラメータ化の場合 (2K > d^2) は、グローバルミニマム付近で指数的収束を示し、二次損失ランドスケープと一致する。
• 浅い深さのユニタリを学習するには一般に 2K ≥ d^2（または K ≥ d^2/2）パラメータが必要で、勾配降下法による低深度学習の難しさを示している。
• 損失ランドスケープは、パラメータが不十分な浅いユニタリをターゲットとする場合に高く非凸でトラップを含むが、過剰パラメータ化の領域では全体的に収束性を持つ。