[論文レビュー] QuAnt: Quantum Annealing with Learnt Couplings

Marcel Seelbach Benkner, Maximilian Krahn+4 more|arXiv (Cornell University)|Oct 13, 2022

Advanced Neural Network Applications被引用数 4

ひとこと要約

本稿では、勾配逆伝播を介してコンピュータビジョン分野の組合せ最適化問題のQUBO定式化を自動的に学習するメタラーニングフレームワークQuAntを紹介する。これにより、複雑な解析的導出を回避できる。ニューラルネットワークを用いて問題固有のQUBO行列を回帰することで、大幅にqubitの必要数を削減した効率的な量子断熱法を実現し、グラフマッチング、ポイントクラウド登録、3次元回転推定の分野で競争力ある性能を達成。ノイズが多い環境下でも、先行する量子手法を上回る性能を発揮する。

ABSTRACT

Modern quantum annealers can find high-quality solutions to combinatorial optimisation objectives given as quadratic unconstrained binary optimisation (QUBO) problems. Unfortunately, obtaining suitable QUBO forms in computer vision remains challenging and currently requires problem-specific analytical derivations. Moreover, such explicit formulations impose tangible constraints on solution encodings. In stark contrast to prior work, this paper proposes to learn QUBO forms from data through gradient backpropagation instead of deriving them. As a result, the solution encodings can be chosen flexibly and compactly. Furthermore, our methodology is general and virtually independent of the specifics of the target problem type. We demonstrate the advantages of learnt QUBOs on the diverse problem types of graph matching, 2D point cloud alignment and 3D rotation estimation. Our results are competitive with the previous quantum state of the art while requiring much fewer logical and physical qubits, enabling our method to scale to larger problems. The code and the new dataset will be open-sourced.

研究の動機と目的

• 量子コンピュータビジョンにおけるQUBO定式化の問題固有の解析的導出の必要性を排除すること。
• QUBO行列を導出する代わりにデータから学習することで、柔軟でコンactな解の符号化を可能にすること。
• QUBO構造を再設計することなく、多様なコンピュータビジョン問題に適用可能な汎用的でスケーラブルなフレームワークの開発。
• 学習されたQUBOが、古典的手法のベースラインおよび先行する量子手法を上回ることを実証すること、特にノイズのある条件下での性能向上。
• 対照的損失を用いて量子断熱器をニューラルネットワーク内の微分可能レイヤーとして統合すること。

提案手法

• マルチレイヤーパーセプトロン（MLP）が問題インスタンスのベクトルpからQUBO行列Aを回帰し、エンドツーエンドの学習を可能にする。
• 非微分可能な量子断熱プロセスを逆伝播可能にするために、対照的損失を用いる。これにより、ソルバを直接通る勾配計算を回避する。
• 量子断熱法を用いて、Aで定義されるQUBOの最小化解x*を求める。これが予測解としての役割を果たす。
• この手法はソルバに依存せず、訓練および推論時に量子断熱法、シミュレーテッドアニーリング、または全探索と併用可能である。
• メタラーニングの枠組みにより、同種の問題インスタンス間で一般化できるようにMLPを訓練し、QUBO行列はネットワーク重みに暗黙的に埋め込まれる。
• 小さな埋め込みを用いて、現在のD-Wave量子断熱器のハードウェア制約に密なQUBOをマッピングし、qubitのオーバーヘッドを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 勾配逆伝播を用いて、コンピュータビジョン問題のQUBO定式化を解析的導出の代わりにデータから学習できるか？
• RQ2 学習されたQUBOアプローチは、解の直接回帰と比較して、解の品質およびロバストネスにおいて優れているか？
• RQ3 本フレームワークは、グラフマッチング、ポイントクラウド登録、回転推定といった多様な問題タイプに一般化可能か？
• RQ4 先行する量子コンピュータビジョン手法と比較して、論理的および物理的qubit使用量のスケーリング特性はいかがなっているか？
• RQ5 誤った対応関係や汚染されたポイントクラウドなどのノイズのある入力条件下でも、学習されたQUBOアプローチはどの程度の性能を維持できるか？

主な発見

• 1%の誤った対応関係がある状態ですら、回転推定において古典的手法であるProcrustes法を上回り、ノイズレベルが上昇するほどその優位性が顕著になる。
• 20%の誤った対応関係を含むグラフマッチングでは、QuAntは平均誤差3.7、中央値3.0を維持し、ベースラインおよび古典的手法を著しく上回る。
• 20%の均等ノイズ下での2次元点集合登録では、QuAntは平均誤差10.3、中央値5.4を達成し、一般ベースラインを上回り、上界とされるAQMの性能に近づく。
• 9ノードのQUBOに対しては、論理qubitが9つ、物理qubitが14つで十分であり、先行研究と比較して極めて高いqubit効率を示す。
• アブレーションスタディの結果、固有の解の損失またはMLP損失のいずれかを除去すると、性能が著しく低下することが確認され、両者の重要性が裏付けられる。
• QuAntは問題タイプ間で良好な一般化性能を示し、再訓練なしにグラフマッチング、2次元および3次元アライメント、回転推定で競争力ある結果を達成している。