[論文レビュー] Machine learning \& artificial intelligence in the quantum domain

Vedran Dunjko, Hans J. Briegel|arXiv (Cornell University)|Sep 8, 2017

Quantum Computing Algorithms and Architecture被引用数 12

ひとこと要約

このレビューは、量子情報処理（QIP）と機械学習（ML）／人工知能（AI）の相乗的交差点を検討し、量子コンピューティングがサンプル複雑性および計算複雑性の面でMLタスクを高速化する方法、またML技術が量子実験設計と制御を向上させる方法を示している。学習効率、データ処理、自律的量子研究における量子的優位性を強調し、ML/AIを量子技術の潜在的「キラーアプリ」であると位置づけている。

ABSTRACT

Quantum information technologies, and intelligent learning systems, are both emergent technologies that will likely have a transforming impact on our society. The respective underlying fields of research -- quantum information (QI) versus machine learning (ML) and artificial intelligence (AI) -- have their own specific challenges, which have hitherto been investigated largely independently. However, in a growing body of recent work, researchers have been probing the question to what extent these fields can learn and benefit from each other. QML explores the interaction between quantum computing and ML, investigating how results and techniques from one field can be used to solve the problems of the other. Recently, we have witnessed breakthroughs in both directions of influence. For instance, quantum computing is finding a vital application in providing speed-ups in ML, critical in our "big data" world. Conversely, ML already permeates cutting-edge technologies, and may become instrumental in advanced quantum technologies. Aside from quantum speed-up in data analysis, or classical ML optimization used in quantum experiments, quantum enhancements have also been demonstrated for interactive learning, highlighting the potential of quantum-enhanced learning agents. Finally, works exploring the use of AI for the very design of quantum experiments, and for performing parts of genuine research autonomously, have reported their first successes. Beyond the topics of mutual enhancement, researchers have also broached the fundamental issue of quantum generalizations of ML/AI concepts. This deals with questions of the very meaning of learning and intelligence in a world that is described by quantum mechanics. In this review, we describe the main ideas, recent developments, and progress in a broad spectrum of research investigating machine learning and artificial intelligence in the quantum domain.

研究の動機と目的

• 量子情報処理（QIP）と機械学習（ML）／人工知能（AI）の相互利益を調査すること、特に両分野がどのように互いに発展を促進できるかを明らかにすること。
• MLタスクにおける主要な量子的優位性（例：低減されたサンプル複雑性、向上した実行時間効率）を特定および分析すること。
• MLおよびAIが量子実験の設計、最適化、自律的実行に果たす役割を検討すること。
• 完全に量子的な世界における学習および知能概念の量子一般化に関する基礎的問いを探ること。
• 量子強化学習の実用的妥当性と理論的限界を評価すること、特にノイズ耐性および実装制約を含む。

提案手法

• 量子機械学習（QML）分野における理論的および実験的進展を調査し、教師あり学習および強化学習における量子高速化を含む。
• 量子補強サンプリングを用いたハミルトニアン推定、位相推定、一般化量子状態学習のための量子アルゴリズムを分析する。
• ニューラルネットワークやサポートベクターマシンなどの古典的MLモデルを、量子データおよび量子制御タスクに適用する。
• 重ね合わせともつれをデータ表現に活用することで、学習容量を向上させる量子強化アーキテクチャ（例：量子化されたホフホイットフィールドネットワーク、振幅符号化学習モデル）を導入する。
• 強化学習のための量子エージェント・環境フレームワークを構築し、相互作用的状況での量子強化意思決定を可能にする。
• 計算学習理論を通じて量子的優位性を評価する。具体的には、量子PAC学習およびクエリ複雑性が低減されたメンバーシップクエリモデルを含む。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングは、機械学習問題におけるサンプル複雑性および実行時間の面で、どの程度の高速化を提供できるか？
• RQ2 機械学習技術は、どのようにして量子実験の設計、最適化、制御を自律的に行えるか？
• RQ3 量子強化学習の理論的限界は何か？ それらは古典的対応物と比較してどう異なるか？
• RQ4 学習およびAI概念の量子一般化は、量子世界における知能の新しい枠組みを生み出すことができるか？
• RQ5 ノイズ、データ構造、リソース要件などの実用的制約は、量子MLアルゴリズムの実装をどの程度制限するか？

主な発見

• 量子機械学習は、特定の条件下で、古典的手法よりも指数的改善が得られる理論的高速化をサンプル複雑性の面で示している。量子PAC学習がその例である。
• ハミルトニアン推定および位相推定のための量子強化アルゴリズムは、古典的手法と比較して、より高い精度と低いリソース要件を実現している。
• 振幅符号化および量子化されたホフホイットフィールドネットワークは、データ表現における重ね合わせともつれを活用することで、より高い学習容量を実現している。
• 量子強化学習エージェントは、クエリ効率の面で理論的優位性を示し、相互作用的学習タスクにおける性能向上の可能性を示している。
• 既にMLは、量子実験の設計と制御を自動化するために使用されており、人的介入を低減させ、実験結果を改善している。
• 理論的期待にかかわらず、大多数の量子ML提案は、高い条件数、ノイズ感受性、スケーラブルな量子ハードウェアの欠如といった実用的課題によって制限されている。