[論文レビュー] QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces

Siddharth Sharma|arXiv (Cornell University)|Feb 22, 2020

Quantum Computing Algorithms and Architecture参考文献 19被引用数 12

ひとこと要約

本稿では、変分量子回路を用いてデータを量子ヒルベルト空間に符号化し、量子並列性によるハミング距離の測定を通じて、古典的K-最近傍法（KNN）分類器の性能を向上させる量子強化型機械学習フレームワークであるQEMLを提案する。10次元の乳癌データセットにおいて、QKNNモデルは古典的KNNよりも優れた性能を示し、特徴表現における量子優位性により、計算コストの低減とスケーラビリティの向上を実現した。

ABSTRACT

Machine learning and quantum computing are two technologies that are causing a paradigm shift in the performance and behavior of certain algorithms, achieving previously unattainable results. Machine learning (kernel classification) has become ubiquitous as the forefront method for pattern recognition and has been shown to have numerous societal applications. While not yet fault-tolerant, Quantum computing is an entirely new method of computation due to its exploitation of quantum phenomena such as superposition and entanglement. While current machine learning classifiers like the Support Vector Machine are seeing gradual improvements in performance, there are still severe limitations on the efficiency and scalability of such algorithms due to a limited feature space which makes the kernel functions computationally expensive to estimate. By integrating quantum circuits into traditional ML, we may solve this problem through the use of quantum feature space, a technique that improves existing Machine Learning algorithms through the use of parallelization and the reduction of the storage space from exponential to linear. This research expands on this concept of the Hilbert space and applies it for classical machine learning by implementing the quantum-enhanced version of the K nearest neighbors algorithm. This paper first understands the mathematical intuition for the implementation of quantum feature space and successfully simulates quantum properties and algorithms like Fidelity and Grover's Algorithm via the Qiskit python library and the IBM Quantum Experience platform. The primary experiment of this research is to build a noisy variational quantum circuit KNN (QKNN) which mimics the classification methods of a traditional KNN classifier. The QKNN utilizes the distance metric of Hamming Distance and is able to outperform the existing KNN on a 10-dimensional Breast Cancer dataset.

研究の動機と目的

• 特徴空間が限られ、推定に高コストがかかるため、古典的カーネルベースの機械学習分類器のスケーラビリティと計算非効率性を是正すること。
• 特に重ね合わせともつれを活用した量子コンピューティングが、KNNのような古典的機械学習アルゴリズムをどのように強化できるかを調査すること。
• 変分量子回路に基づくノイズの多い量子回路を用いたKNN（QKNN）分類器を設計・シミュレーションし、量子特徴空間を活用して分類性能を向上させること。
• 近い将来のノイズの多い量子コンピューティング環境下での、量子強化特徴表現の実現可能性と性能向上を検証すること。
• 量子強化特徴空間が、高次元特徴空間のストレージ複雑度を指数的から線形に削減できることを示すこと。

提案手法

• 本稿では、古典的データを高次元の量子ヒルベルト空間に符号化するための変分量子回路を用いて、量子強化型KNN（QKNN）分類器を実装する。
• パラメータ化された量子回路により量子特徴空間を構築し、量子重ね合わせともつれを活用して複雑な非線形データパターンを表現可能にする。
• 量子状態ベクトル間の距離測定としてハミング距離メトリクスを用い、量子回路の測定と後処理により計算する。
• QKNNモデルは量子並列性を活用して、複数の最近傍候補を同時に評価することで、古典的列挙と比較して計算コストを低減する。
• QiskitおよびIBM Quantum Experienceプラットフォームを用いて、ノイズの多い中間規模量子（NISQ）デバイスをエミュレートするシミュレーションを実施する。
• 量子状態準備と探索効率の妥当性を検証するための基盤的量子プリミティブとして、忠実度推定とグローバーのアルゴリズムを用いる。

実験結果

リサーチクエスチョン

• RQ1 量子特徴空間は、精度と計算効率の観点から、古典的KNN分類器の性能を顕著に向上させることができるか？
• RQ2 近い将来のノイズの多い量子デバイスは、変分量子回路を用いて、古典的機械学習をどの程度強化できるか？
• RQ3 量子ヒルベルト空間における量子並列性とハミング距離の使用は、KNN分類の計算負荷を低減できるか？
• RQ4 NISQ制約下で、実世界のデータセットにおけるQKNNモデルと古典的KNNの分類精度は、どのように比較されるか？
• RQ5 量子強化特徴表現は、高次元特徴空間のストレージ複雑度を指数的から線形に削減できるか？

主な発見

• QKNNモデルは10次元の乳癌データセットにおいて、古典的KNNを上回る分類精度を示し、量子強化特徴表現によって性能向上を達成した。
• 変分量子回路による量子特徴空間の活用により、特徴空間の有効なストレージ複雑度が指数的から線形に削減され、スケーラビリティが向上した。
• QKNNモデルにおける量子並列性により、複数の候補近傍点を同時に効率的に評価でき、計算オーバーヘッドが低減した。
• QiskitおよびIBM Quantum Experienceを用いたシミュレーションにより、現在のノイズの多い量子ハードウェア上でのQKNN実装が可能であり、有意義な性能向上が得られたことが確認された。
• 古典的学習フレームワークに量子距離メトリクス（例：ハミング距離）を統合することは、機械学習分野における近い将来の量子優位性を実現する実用的で有望な道筋を示している。
• 忠実度およびグローバーのアルゴリズムのシミュレーションにより、QKNNパイプラインで用いられた量子状態準備と測定プロセスの正しさと頑健性が検証された。