[論文レビュー] On the practical usefulness of the Hardware Efficient Ansatz

Lorenzo Leone, Salvatore F. E. Oliviero+2 more|arXiv (Cornell University)|Nov 2, 2022

Quantum Computing Algorithms and Architecture参考文献 86被引用数 9

ひとこと要約

本論文は、変分量子アルゴリズムおよび量子機械学習におけるハードウェア効率的アーキテクチャ（HEA）の実用的有用性を調査する。浅いHEAは、入力状態がエンタングルメントの面積則に従う場合、バーレンプレートル（barren plateau）を回避し、学習可能であることを示し、潜在的な量子高速化を可能にする。一方、体積則に従うエンタングルメントを持つタスクでは、それらを避けるべきである。本研究は、浅いHEAが特定のQMLタスクにおいて学習可能かつ効果的である「ちょうどよい」領域（Goldilocks regime）を確立する。

ABSTRACT

Variational Quantum Algorithms (VQAs) and Quantum Machine Learning (QML) models train a parametrized quantum circuit to solve a given learning task. The success of these algorithms greatly hinges on appropriately choosing an ansatz for the quantum circuit. Perhaps one of the most famous ansatzes is the one-dimensional layered Hardware Efficient Ansatz (HEA), which seeks to minimize the effect of hardware noise by using native gates and connectives. The use of this HEA has generated a certain ambivalence arising from the fact that while it suffers from barren plateaus at long depths, it can also avoid them at shallow ones. In this work, we attempt to determine whether one should, or should not, use a HEA. We rigorously identify scenarios where shallow HEAs should likely be avoided (e.g., VQA or QML tasks with data satisfying a volume law of entanglement). More importantly, we identify a Goldilocks scenario where shallow HEAs could achieve a quantum speedup: QML tasks with data satisfying an area law of entanglement. We provide examples for such scenario (such as Gaussian diagonal ensemble random Hamiltonian discrimination), and we show that in these cases a shallow HEA is always trainable and that there exists an anti-concentration of loss function values. Our work highlights the crucial role that input states play in the trainability of a parametrized quantum circuit, a phenomenon that is verified in our numerics.

研究の動機と目的

• 変分量子アルゴリズムおよび量子機械学習におけるハードウェア効率的アーキテクチャ（HEA）が、どのような条件下で実用的であるかを特定すること。
• 特に回路の深さに応じたバーレンプレートルの発生に関する曇りのない性能評価を明確にすること。
• 特に量子機械学習タスクにおいて、浅いHEAがどのように量子高速化を達成できるかを特定すること。
• 入力状態のエンタングルメント構造が、パラメータ化された量子回路の学習可能性を決定づける重要な役割を浮き彫りにすること。

提案手法

• 光円錐ダイナミクスとランダム行列理論に基づく理論的枠組みを用いて、浅いHEAにおける勾配成分の分散を分析する。
• Cerezoら（2021b）の結果を応用し、入力状態のエンタングルメント構造に基づいて勾配分散の上限を導出する。
• ヒルベルト＝シュミット距離を用いて、局所的観測量のトレースレス成分を定量化し、勾配の大きさと関連付ける。
• 量子ゲートと観測量が回路内でどのように伝搬するかを追跡するための光円錐形式を導入する。
• ハール一様乱数2キュービットゲートの積分を用いて、勾配分散における交差項が特定の条件下で消えることを示す。
• 勾配分散がゼロから離れて保たれる（すなわち、消えない）条件を導出し、学習可能性を保証する。

実験結果

リサーチクエスチョン

• RQ1 浅い回路におけるハードウェア効率的アーキテクチャ（HEA）が、どのような条件下でバーレンプレートル問題を回避するか？
• RQ2 入力状態のエンタングルメント構造は、パラメータ化された量子回路の学習可能性にどのように影響するか？
• RQ3 浅いHEAは、実用的な量子機械学習タスクにおいて、量子高速化を達成できるか？
• RQ4 入力状態のエンタングルメント構造、特に面積則と体積則の違いが、HEAベースのアルゴリズムの成功に果たす役割は何か？
• RQ5 浅いHEAが学習可能かつ効果的である、識別可能な領域は存在するか？

主な発見

• 入力状態がエンタングルメントの面積則に従う場合、浅いHEAはバーレンプレートルを回避し、非ゼロの勾配分散を維持する。
• 入力状態が体積則に従う場合、勾配が消えるため、浅いHEAは学習不能であり、このようなタスクには不適切である。
• 入力状態が面積則に従う場合、HEAの勾配分散はΩ(1/poly(n))の範囲に保たれ、学習可能性が保証される。
• 面積則の状況では、損失関数値の反濃度（anti-concentration）が観測され、最適化の可能性を支持する。
• 本研究は、浅いHEAが量子高速化を達成できる「ちょうどよい」ゾーン（Goldilocks zone）を同定する：面積則に従うエンタングルメントを持つQMLタスク。
• 数値的検証により、入力状態のエンタングルメント構造が、アーキテクチャ設計そのものに依存せず、回路の学習可能性を決定づける要因であることが確認された。