[論文レビュー] Physics-Informed Quantum Machine Learning: Solving nonlinear differential equations in latent spaces without costly grid evaluations

Annie E. Paine, Vincent E. Elfving+1 more|arXiv (Cornell University)|Aug 3, 2023

Quantum Computing Algorithms and ArchitectureComputer Science被引用数 3

ひとこと要約

本稿では、関数および微分項を潜在空間内の量子状態として符号化することで、非線形かつ多次元の微分方程式を解く物理的制約付き量子機械学習フレームワークを提案する。この手法により、グリッドに基づく関数評価を回避し、状態重ね合わせ測定による内在的並列な損失評価が可能となる。システムサイズに加法的線形オーバーヘッドしか発生させないため、非線形項の符号化が効率的であり、古典的PINNのグリッド評価コストを上回る性能を発揮する。境界条件、データ制約、多次元問題に対しても柔軟性を維持する。

ABSTRACT

We propose a physics-informed quantum algorithm to solve nonlinear and multidimensional differential equations (DEs) in a quantum latent space. We suggest a strategy for building quantum models as state overlaps, where exponentially large sets of independent basis functions are used for implicitly representing solutions. By measuring the overlaps between states which are representations of DE terms, we construct a loss that does not require independent sequential function evaluations on grid points. In this sense, the solver evaluates the loss in an intrinsically parallel way, utilizing a global type of the model. When the loss is trained variationally, our approach can be related to the differentiable quantum circuit protocol, which does not scale with the training grid size. Specifically, using the proposed model definition and feature map encoding, we represent function- and derivative-based terms of a differential equation as corresponding quantum states. Importantly, we propose an efficient way for encoding nonlinearity, for some bases requiring only an additive linear increase of the system size $\mathcal{O}(N + p)$ in the degree of nonlinearity $p$. By utilizing basis mapping, we show how the proposed model can be evaluated explicitly. This allows to implement arbitrary functions of independent variables, treat problems with various initial and boundary conditions, and include data and regularization terms in the physics-informed machine learning setting. On the technical side, we present toolboxes for exponential Chebyshev and Fourier basis sets, developing tools for automatic differentiation and multiplication, implementing nonlinearity, and describing multivariate extensions. The approach is compatible with, and tested on, a range of problems including linear, nonlinear and multidimensional differential equations.

研究の動機と目的

• 非線形かつ多次元の微分方程式を解く量子機械学習手法を開発すること。この手法は、逐次的なグリッド評価に依存しない。
• グリッドベースの関数および勾配評価を量子状態の重なり測定に置き換えることで、物理的制約付き機械学習の計算コストを低減すること。
• 次数-p の非線形性に対して、システムサイズが O(N + p) のみ増加するように、量子潜在空間における非線形項の効率的符号化を実現すること。
• さまざまな基底集合（チェビシェフ、フーリエ）、境界条件、データ制約、正則化項を統合的に扱える柔軟なフレームワークを提供すること。
• 量子回路シミュレーションを用いて、線形・非線形・多次元微分方程式に対して、本手法の実現可能性とスケーラビリティを示すこと。

提案手法

• 本手法は、基底写像符号化を用いて微分方程式の関数および微分項を量子状態として符号化し、高次元の量子潜在空間における解の表現を可能にする。
• 損失関数を、微分方程式の項を表す量子状態間の重なりとして定式化することで、逐次的なグリッドサンプリングを必要とせず、グローバルかつ並列な評価が可能になる。
• 非線形項は、非線形度に比例してシステムサイズが線形に増加する構成により、効率的に符号化され、O(N + p) のスケーリングを達成する。
• 独立変数のテンソル積符号化により、多次元拡張が可能であり、基底固有の演算に対して自動微分が可能になる。
• アダルティ・キュービットを用いたハダマードテストにより、状態重なりの実部および虚部を測定し、物理的制約を満たす導出に基づく重なりも含めて測定可能である。
• 本手法は変分量子アルゴリズムと互換性があり、HHLのような量子線形方程式ソルバーを用いて状態を直接準備する非変分ソルバへの拡張も可能である。

実験結果

リサーチクエスチョン

• RQ1 量子状態の重なりを用いて、グリッドベースの評価を回避する微分方程式の損失関数を定義できるか？
• RQ2 非線形性の度合いがpである微分方程式の非線形項を、最小限のキュービットオーバーヘッドで量子潜在空間に効率的に符号化できるか？
• RQ3 提案手法は、複数の次元および非線形性にわたる物理的制約付き損失のスケーラブルかつ並列評価を達成できるか？
• RQ4 本フレームワークは、多様な境界条件、データ制約、正則化項を統一的な量子機械学習フレームワーク内でどの程度処理できるか？
• RQ5 本手法は、近位量子デバイス上で、古典的PINNと比較して計算コストを低減しつつ、複雑な微分方程式を解くために実用的か？

主な発見

• 量子状態の重なりを測定することで、グリッド上の逐次的関数評価を回避し、物理的制約付き損失の内在的並列評価が可能になる。
• 次数-p の非線形性に対して、キュービット数が加法的に O(p) 増加するのみであり、従来手法と比較して大幅にスケーラビリティが向上する。
• 基底固有の量子回路を用いることで、独立変数の任意関数、特に多次元および高階微分項の明示的評価が可能になる。
• 線形・非線形・多次元微分方程式の多様な問題に対してシミュレーションで検証され、フレームワークの柔軟性と正しさが示された。
• 本手法は変分量子回路と互換性を保ち、非変分ソリューションプロトコルへの統合に向けた道筋を提供する。
• チェビシェフおよびフーリエ基底集合に対して自動微分ツールを用いることで、潜在空間における勾配計算とモデル最適化が効率的に行える。