[論文レビュー] QDNN: DNN with Quantum Neural Network Layers

Chen Zhao, Xiao-Shan Gao|arXiv (Cornell University)|Dec 29, 2019

Quantum Computing Algorithms and Architecture参考文献 38被引用数 12

ひとこと要約

本論文は、パラメータ化された量子回路をニューラルネットワークの層として統合することで表現力の向上を図る、ハイブリッド量子古典ディープニューラルネットワーク（QDNN）を提案する。入力を量子回路を用いて非線形に符号化し、ハイブリッド量子古典トレーニング方式を採用することで、わずか8量子ビットでMNIST画像分類において99.29%の精度を達成した。これは、近い将来のNISQデバイスでも実現可能であり、古典的DNNよりも優れた表現能力を示している。

ABSTRACT

In this paper, we introduce a quantum extension of classical DNN, QDNN. The QDNN consisting of quantum structured layers can uniformly approximate any continuous function and has more representation power than the classical DNN. It still keeps the advantages of the classical DNN such as the non-linear activation, the multi-layer structure, and the efficient backpropagation training algorithm. Moreover, the QDNN can be used on near-term noisy intermediate-scale quantum processors. A numerical experiment for image classification based on quantum DNN is given, where a high accuracy rate is achieved.

研究の動機と目的

• 古典的DNNを凌駕する表現力を持つ量子強化ディープニューラルネットワークアーキテクチャの開発。
• ユニタリ操作によって本質的に線形である量子回路に非線形性を導入する課題の解決。
• ノイズの多い中規模量子（NISQ）プロセッサと互換性を持つ、トレーニング可能なハイブリッド量子古典モデルの設計。
• 画像分類のような実世界の機械学習タスクにおける、提案モデルの実現可能性と性能の実証。
• QDNNが効率的に古典的にシミュレートできないという理論的・実証的証拠の確立により、表現力における量子優位性の示唆。

提案手法

• パラメータ化された量子回路（PQC）を用いて入力を非線形に符号化する量子アナログとしての量子ニューラルネットワーク層（QNNL）を導入。
• 量子回路がデータを処理し、古典的最適化手法が勾配ベースの誤差逆伝播によりパラメータを更新するハイブリッド量子古典トレーニング方式を採用。
• RZ、RXおよびエンタングリングゲートを用いたパラメータ化された量子回路により、量子特徴空間における非線形変換を実装。
• 各QNNLの出力をパウリ演算子の期待値（例：⟨H_{i,Y}⟩、⟨H_{i,Z}⟩）として定義し、量子測定結果を古典的ベクトルにマッピング。
• 活性化関数、バイアス項、損失関数（例：平均二乗誤差）といった標準的なディープラーニング要因を、量子層フレームワーク内に統合。
• JuliaのYao.jl量子シミュレータを用いてトレーニングと評価を実施。古典的デスクトップシステム上でAdam最適化とバッチ処理を実行。

実験結果

リサーチクエスチョン

• RQ1 量子構造の層を備えたディープニューラルネットワークは、古典的DNNよりも優れた表現力を持つことができるか？
• RQ2 ユニタリ性と線形性に起因する量子回路フレームワークに、非線形性を効果的に導入する方法は何か？
• RQ3 勾配ベースの最適化手法が近い将来の量子ハードウェアに適しているハイブリッド量子古典モデルを効率的にトレーニングできるか？
• RQ4 このようなモデルの標準的な機械学習ベンチマーク、たとえばMNIST画像分類における実証的性能は何か？
• RQ5 QDNNモデルは根本的に古典的DNNよりも表現力が優れており、理論的バウンズやシミュレーションによってその優位性を示せるか？

主な発見

• QDNNモデルは、わずか8量子ビットを用いてMNIST画像分類タスクで99.29%のテスト精度を達成し、顕著な実証的性能を示した。
• 理論的に、古典的DNNよりも高い表現力を持つことが証明された。これは、普遍的量子計算が古典的にシミュレート可能でない限り、QDNNは効率的に古典的にシミュレートできないことを意味する。
• ハイブリッド量子古典トレーニングアルゴリズムにより、バックプロパゲーションに類似した効率的最適化が可能となり、現在のNISQデバイスでもトレーニングが可能である。
• パラメータ化された量子回路の使用により、多項式的数のパラメータで指数的サイズのヒルベルト空間にアクセス可能となり、特徴学習能力が向上した。
• モデルは、非線形活性化、深層構造、効率的なトレーニングといった古典的DNNの主な利点を維持しながら、量子強化表現力を追加した。
• 数値実験により、QDNNはGoogleの53量子ビット超伝導プロセッサのような既存の量子ハードウェアでも、最小限の量子ビットオーバーヘッドで実装可能であることが確認された。