[論文レビュー] Quantum Advantage Seeker with Kernels (QuASK): a software framework to speed up the research in quantum machine learning

Francesco Di Marcantonio, Massimiliano Incudini+2 more|arXiv (Cornell University)|Jun 30, 2022

Quantum Computing Algorithms and Architecture参考文献 79被引用数 4

ひとこと要約

QuASKは、データ処理、量子カーネル計算、結果分析の自動化により、量子機械学習研究を加速するオープンソースのPythonフレームワークです。PennyLaneとの統合により、トレーニング可能、プロジェクション、構造最適化の3つの最先端の量子カーネル技術をサポートし、シミュレータおよび実際のNISQハードウェアでの効率的な実験を可能にするとともに、量子優位性の可能性を特定するための組み込みメトリクスを備えています。

ABSTRACT

Exploiting the properties of quantum information to the benefit of machine learning models is perhaps the most active field of research in quantum computation. This interest has supported the development of a multitude of software frameworks (e.g. Qiskit, Pennylane, Braket) to implement, simulate, and execute quantum algorithms. Most of them allow us to define quantum circuits, run basic quantum algorithms, and access low-level primitives depending on the hardware such software is supposed to run. For most experiments, these frameworks have to be manually integrated within a larger machine learning software pipeline. The researcher is in charge of knowing different software packages, integrating them through the development of long code scripts, analyzing the results, and generating the plots. Long code often leads to erroneous applications, due to the average number of bugs growing proportional with respect to the program length. Moreover, other researchers will struggle to understand and reproduce the experiment, due to the need to be familiar with all the different software frameworks involved in the code script. We propose QuASK, an open-source quantum machine learning framework written in Python that aids the researcher in performing their experiments, with particular attention to quantum kernel techniques. QuASK can be used as a command-line tool to download datasets, pre-process them, quantum machine learning routines, analyze and visualize the results. QuASK implements most state-of-the-art algorithms to analyze the data through quantum kernels, with the possibility to use projected kernels, (gradient-descent) trainable quantum kernels, and structure-optimized quantum kernels. Our framework can also be used as a library and integrated into pre-existing software, maximizing code reuse.

研究の動機と目的

• 量子機械学習実験の複雑さとエラー率を低下させるために、量子および古典的MLツール間のパイプライン統合を自動化すること。
• 研究者が大規模な低レベルコードを書かずに、量子カーネル手法を効率的かつ体系的に探索・ベンチマークできるようにすること。
• 標準化され、理論的根拠を持つ評価メトリクスを通じて、量子優位性の同定を支援すること。
• PennyLane、Qiskit、Braketなどの既存の量子ソフトウェアスタックと統合可能なモジュラーかつ拡張可能なプラットフォームを提供すること。
• 量子カーネルワークフローを再利用可能でコマンドラインおよびライブラリ対応のフレームワークとしてカプセル化することで、再現性とコード再利用を促進すること。

提案手法

• QuASKは、データセットのダウンロード、前処理、分析のためのコマンドラインインターフェースを実装しており、組み込みの量子カーネル推定機能を備えています。
• 3つの量子カーネル計算手法をサポートしています：オーバーラップテスト、C-SWAPテスト、およびハミルトニアンHの期待値測定によるプロジェクションカーネル。
• ユニタリ変換Uϕ(x)を用いたパラメトリックな量子特徴マップの実装を可能とし、optaxを用いた勾配降下法によるトレーニング可能なパラメータをサポートしています。
• シミュレーテッドアニーリングや遺伝的アルゴリズムを含む構造学習技術を統合し、量子回路アーキテクチャの最適化を実現しています。
• 基盤となる量子フレームワークに依存しない設計であり、IBM、Rigetti、IonQ、OQC用のPennyLaneプラグインを通じて、シミュレータおよび実際のNISQデバイスでの実行が可能になっています。
• メトリクスモジュールを備えており、アライメント、幾何的差分、モデル精度を計算することで、量子優位性の可能性を評価するための重要な指標を提供しています。

実験結果

リサーチクエスチョン

• RQ1 統合されたソフトウェアフレームワークは、量子機械学習実験における開発およびデバッグの負担を軽減できるか？
• RQ2 自動化された量子カーネル計算は、実世界のデータセットにおける量子優位性の探索をどの程度加速できるか？
• RQ3 QuASKは、勾配ベースと組み合わせ最適化の両手法を用いた量子カーネルのトレーニングおよび最適化をどの程度効果的に支援できるか？
• RQ4 ハードウェアノイズが量子カーネル性能に与える影響は何か？また、QuASKは実デバイス上でその影響をどの程度シミュレートまたは予測できるか？
• RQ5 QuASKのモジュラー設計は、既存のMLおよび量子ソフトウェアスタックとのシームレスな統合を可能にし、再現性とコード再利用を向上させることができるか？

主な発見

• 低レベルの量子回路コーディングを高レベルで再利用可能なコンponentsに抽象化することで、実装エラーの発生確率が低下します。
• フレームワークにより、プロジェクション、トレーニング可能、構造最適化の3つのバリエーションを含む量子カーネルの迅速なプロトタイピングおよびベンチマークが、最小限のユーザーコードで可能になります。
• PennyLaneとの統合により、IBM、Rigetti、IonQ、OQCデバイスを含む実際のNISQハードウェアでの実行が可能になります。
• PennyLaneのシミュレーションでJAXの加速が有効に機能し、量子カーネル推定のパフォーマンスが顕著に向上します。
• QuASKが備える組み込みメトリクス（例：ターゲットカーネルアライメント、幾何的差分）は、潜在的な量子優位性を特定するための定量的指標を提供します。
• フレームワークは、古典的および量子的特徴マップをサポートしており、ユーザー定義のユニタリ変換および最適化戦略の拡張性も備えています。