[論文レビュー] Projection Valued Measure-based Quantum Machine Learning for Multi-Class Classification

Won Joon Yun, Hankyul Baek+1 more|arXiv (Cornell University)|Oct 30, 2022

Quantum Computing Algorithms and Architecture被引用数 9

ひとこと要約

この論文は、qキュービット系の$2^q$次元出力空間を完全に活用するPVM（射影値測定）に基づく量子機械学習フレームワークを提案し、従来のPOVM（正の作用素値測定）に基づくQMLのスケーラビリティの限界を克服する。PVMを用いて出力容量を拡大し、確率振幅正則化子を導入することで、MNIST や EMNIST-letters などのデータセットで、6キュービット以下のリソースを用いて、最先端手法比で42.2%の性能向上を達成した。

ABSTRACT

In recent years, quantum machine learning (QML) has been actively used for various tasks, e.g., classification, reinforcement learning, and adversarial learning. However, these QML studies are unable to carry out complex tasks due to scalability issues on input and output which is currently the biggest hurdle in QML. Therefore, the purpose of this paper is to overcome the problem of scalability. Motivated by this challenge, we focus on projection-valued measurements (PVM) which utilize the nature of probability amplitude in quantum statistical mechanics. By leveraging PVM, the output dimension is expanded from $q$, which is the number of qubits, to $2^q$. We propose a novel QML framework that utilizes PVM for multi-class classification. Our framework is proven to outperform the state-of-the-art (SOTA) methodologies with various datasets, assuming no more than 6 qubits are used. Furthermore, our PVM-based QML shows about $42.2\%$ better performance than the SOTA framework.

研究の動機と目的

• マルチクラス分類における量子機械学習（QML）のスケーラビリティのボトル neck を解決すること、特に従来のPOVMベースの手法における出力次元の制限に焦点を当てる。
• POVMベースのQMLシステムがqキュービットに対して最大q出力しか生成できないという制約を克服すること。これは、複雑な分類タスクへの応用を制限する。
• 最終分類層に古典的ニューラルネットワークを必要としない純粋な量子フレームワークを開発し、エンドツーエンドの量子処理を可能にする。
• 予測クラスの確率振幅を真のワンホットラベル分布と一致させる新しい確率振幅正則化子を導入し、モデル性能を向上させる。
• 小規模な量子回路（≤6キュービット）を用いて、マルチクラス画像分類において計算効率と正確性の面で量子優位性を示す。

提案手法

• qキュービット系から$2^q$個の観測可能量を抽出するために、正の作用素値測定（POVM）の代わりに射影値測定（PVM）を採用し、出力次元をqより著しく拡大する。
• PVMを用いたマルチクラス分類を実現する量子ニューラルネットワーク（QNN）アーキテクチャを設計し、ヒルベルト空間次元$2^q$を完全に活用する。
• 古典的画像データからの特徴抽出に、量子畳み込みニューラルネットワーク（QCNN）に基づく量子回路アーキテクチャを統合する。
• 予測クラスの確率振幅を正規化し、真のワンホットラベル分布と一致させるために、確率振幅正則化子（$\mathcal{L}_{\text{PAR}}$）を適用する。
• 固定学習率$8 \times 10^{-3}$とバッチサイズ1024を用い、Adam最適化子で学習を実行し、正則化子を含む交差エントロピー損失を最適化する。
• 量子回路の古典的シミュレーションには、標準的なハードウェアで利用可能なtorchquantumライブラリを用いる。

実験結果

リサーチクエスチョン

• RQ1 PVMに基づく量子測定は、古典的ニューラルネットワークに依存せずに、QMLにおけるスケーラブルなマルチクラス分類を可能にするか？
• RQ2 PVMとPOVMの両方を用いたqキュービット系の出力次元は、分類の能力と正確性においてどのように比較されるか？
• RQ3 提案された確率振幅正則化子は、予測分布と真のラベル分布との一致度をどの程度向上させるか？
• RQ4 PVMベースのQMLフレームワークは、4〜6キュービットのみを用いても、最先端の量子および古典的モデルを上回る性能を示せるか？
• RQ5 入力サイズとクラス数の変化が、PVMを用いた純粋な量子分類フレームワークの性能に与える影響は何か？

主な発見

• 提案されたPVMベースのQMLフレームワークは、MNISTデータセットにおいて、10キュービットを必要とするQuantumNASと比較して、4キュービットのみで運用しているにもかかわらず、トップ1正確度で44.2%の向上を達成した。
• 26クラスのEMNIST-lettersデータセットにおいて、33.1%のテスト正確度を達成し、より大きな出力空間への適用可能性を示した。
• アブレーションスタディの結果、確率振幅正則化子はEMNIST-lettersでトップ1正確度を17.8%、CIFAR10で7.5%向上させ、顕著な性能向上を確認した。
• MNISTでは74.2%、FashionMNISTでは73.8%のテスト正確度に収束し、訓練集合とテスト集合のドメインギャップは6%未満であった。
• 6キュービットのみで最大26クラスのマルチクラス分類を実現でき、これは二値分類や小規模クラスタスクを超えたスケーラビリティを実証した。
• PVMベースのモデルの計算複雑度は、古典的ニューラルネットワークよりも効率的であることが示され、特定のタスクにおいて量子優位性の可能性を示唆した。