[論文レビュー] MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning

Cassandre Notton, Benjamin Stott+8 more|arXiv (Cornell University)|Feb 11, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

MerLin is an open-source framework that integrates optimized strong simulation of linear-optical circuits with PyTorch and scikit-learn, enabling end-to-end differentiable training of photonic quantum models and benchmarking across state-of-the-art QML works.

ABSTRACT

Identifying where quantum models may offer practical benefits in near term quantum machine learning (QML) requires moving beyond isolated algorithmic proposals toward systematic and empirical exploration across models, datasets, and hardware constraints. We introduce MerLin, an open source framework designed as a discovery engine for photonic and hybrid quantum machine learning. MerLin integrates optimized strong simulation of linear optical circuits into standard PyTorch and scikit learn workflows, enabling end to end differentiable training of quantum layers. MerLin is designed around systematic benchmarking and reproducibility. As an initial contribution, we reproduce eighteen state of the art photonic and hybrid QML works spanning kernel methods, reservoir computing, convolutional and recurrent architectures, generative models, and modern training paradigms. These reproductions are released as reusable, modular experiments that can be directly extended and adapted, establishing a shared experimental baseline consistent with empirical benchmarking methodologies widely adopted in modern artificial intelligence. By embedding photonic quantum models within established machine learning ecosystems, MerLin allows practitioners to leverage existing tooling for ablation studies, cross modality comparisons, and hybrid classical quantum workflows. The framework already implements hardware aware features, allowing tests on available quantum hardware while enabling exploration beyond its current capabilities, positioning MerLin as a future proof co design tool linking algorithms, benchmarks, and hardware.

研究の動機と目的

• 光学系とハイブリッドQMLを、モデル・データセット・ハードウェア制約の観点から系統的かつベンチマーク主導で探究することを Motivateする。
• 光子QMLのシミュレーション、MLワークフロー、ハードウェアアクセスを統一するオープンで再現性のあるフレームワークを提供すること。
• 公表された最新の光子およびハイブリッドQML研究18件を再現・検証し、共通のベースラインを確立すること。
• PyTorchとscikit-learnエコシステム内で量子レイヤーのエンドツーエンドの微分可能な訓練を可能にすること。
• MerLinをアルゴリズム、ベンチマーク、ハードウェアを結ぶ共同設計ツールとして位置づけ、近期の量子利得を目指すこと。

提案手法

• 線形光学回路の強力シミュレーション（SLOS）をPyTorchとTorchScriptと統合し、勾配ベースの最適化を可能にする。
• 訓練可能な回路パラメータ、バッチ処理、MLモデルとの相互運用性を提供するPyTorch上のQuantumLayerを実装する。
• データエンコード戦略（角度エンコードと振幅エンコード）およびさまざまな測定・検出モデルをサポートする。
• MerlinProcessorによるハードウェアを意識した設計を提供し、光子QPUsへのオフロードとハードウェア制約を想定する。
• 光子量子モデルを既存のMLパイプラインに組み込み、アブレーション、クロスモダリティ比較、ハイブリッドクラシック–量子ワークフローを可能にする。
• 公表されたQML研究をMerLin内で実装・評価するためのベンチマーク/再現優先アプローチを採用する。

Figure 1 : MerLin architecture for photonic quantum machine learning. (A) Classical data encoding and photonic circuit configuration define the quantum model. (B) MerLin integrates PyTorch-based optimization with photonic-native execution through a logical-to-photonic bridge, differentiable quantum

実験結果

リサーチクエスチョン

• RQ1 光子QMLモデルを標準的なMLワークフロードに組み込んだときの実用的な影響は何か。
• RQ2 統一フレームワークは、タスクとアーキテクチャを横断して光子およびハイブリッドQMLの結果を再現・ベンチマークできるか。
• RQ3 データエンコード戦略とハードウェア制約は、光子QMLの性能とロバスト性にどのように影響するか。
• RQ4 ハードウェアを意識したシミュレーションは、アルゴリズムと光子プロセッサの共同設計をどの程度導くか。
• RQ5 再現性が高くモジュール化されたプラットフォームは、MLにおける近未来の量子利得の発見を加速するか。

主な発見

• MerLinは十八件の最新の光子およびハイブリッドQML研究を再現し、フレームワークの正しさを検証し、再利用可能なベースラインを確立する。
• ハードウェアを意識したシミュレーションとクロスプラットフォーム統合により、Perceval由来の実装と比較して複数のケースで大幅な高速化を実現する。
• 光子ネイティブモデルは、学習挙動においてゲートベースの対応モデルとしばしば同等の性能を示し、モダリティ横断のモデル変換と共同設計の洞察を提供する。
• エンコード戦略（角度 vs 振幅）にはロバスト性の差があり、振幅エンコードは敵対的摂動に対して脆弱で、角度エンコードは比較的堅牢である。
• リザーバーキュービット、QCNN、QGAN、さまざまな量子カーネル・転移学習法は、MerLinで再現した場合にも互換的な性能傾向を示し、実装の詳細とハイパーパラメータに起因する改善点がある。

(a) Parameterized linear photonic circuit with $m=3$ spatial modes and single-phase data encoding. The expectation value under PNR or threshold detection decomposes as $\sum_{\omega}c_{\omega}e^{i\omega x}$ , where $\omega$ depends on the photon number and $c_{\omega}$ on the trainable circuit and o