[論文レビュー] Quantum Bayesian Neural Networks

Noah Berner, Vincent Fortuin+1 more|arXiv (Cornell University)|Jul 20, 2021

Quantum Computing Algorithms and Architecture参考文献 36被引用数 4

ひとこと要約

この論文は、古典的な内積計算を繰り返し評価を必要としない修正された量子内積推定（IPE）アルゴリズムに置き換えることで、古典的内積計算の繰り返し評価を回避する、ベイジアンニューラルネットワーク（BNN）推論のための量子アルゴリズムを提案している。1サンプルあたり1回の量子計算で正確な事後分布近似が達成され、ノイズがあるにもかかわらず小スケールの量子シミュレーションでも強力な実証的性能を示しており、ノイズの影響を受けるNISQハードウェアにおいてもベイジアン学習における量子高速化の可能性を実現している。

ABSTRACT

Quantum machine learning promises great speedups over classical algorithms, but it often requires repeated computations to achieve a desired level of accuracy for its point estimates. Bayesian learning focuses more on sampling from posterior distributions than on point estimation, thus it might be more forgiving in the face of additional quantum noise. We propose a quantum algorithm for Bayesian neural network inference, drawing on recent advances in quantum deep learning, and simulate its empirical performance on several tasks. We find that already for small numbers of qubits, our algorithm approximates the true posterior well, while it does not require any repeated computations and thus fully realizes the quantum speedups.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）ハードウェアにおいても、ベイジアンニューラルネットワーク（BNNs）が量子高速化の恩恵を受けるかどうかを検討すること。
• BNNのパラメータ推定にノイズに強いという性質を活用して、内積推定における量子ノイズの課題を克服すること。
• 古典的な内積計算を1回のスナップショット量子IPEに置き換えることで、繰り返し評価を必要としない量子アルゴリズムを開発・シミュレートすること。
• 1サンプルあたり1回の量子計算で事後分布を効果的に近似できることを実証的に検証すること、特にqubit数が限られた状況でも有効であることを示すこと。

提案手法

• Kerenidisら（2018）の量子内積推定（IPE）アルゴリズムを適応し、中央値評価を排除することで、標準的なIPEと比較して実行時間の要因を log(1/Δ) 倍短縮した。
• 振幅推定と位相推定サブルーチンを用いて、重みベクトルと活性化ベクトルの内積を量子重ね合わせ状態で推定し、出力をノイズがあるが使用可能な推定値にマッピングする。
• 多対数時間計算量で入力ベクトルを量子状態にロードできる量子ランダムアクセスメモリ（qRAM）モデルを採用し、効率的な状態準備を実現する。
• IPEを変更し、1サンプルあたり1つの推定値を受け入れるよう設計し、BNNの事後分布サンプリングの性質を活かして、量子ノイズの内在的耐性を活用する。
• SGLD、HMC、NUTSなどのマルコフ連鎖モンテカルロ（MCMC）フレームワーク内に量子IPEを統合し、量子推定勾配を用いてパラメータを更新する。
• qubit数（n=5からn=13）を変化させながら、線形回帰および二値分類タスクでアルゴリズムをシミュレートし、古典的および量子推論・予測性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 1回の評価で内積を推定する量子IPEは、ベイジアンニューラルネットワークにおいて十分に正確な事後分布近似を達成できるか？
• RQ2 量子IPEサブルーチンに内在するノイズを考慮しても、qubit数の増加に伴い量子BNN推論の性能はどのようにスケーリングするか？
• RQ3 ベイジアン推論の固有のノイズ耐性が、ノイズのある1回のスナップショット量子計算を用いた場合に意味のある量子高速化を可能にするか？
• RQ4 初期化戦略（フルランク対比低ランク）の違いが、量子BNN推論の収束性および精度に与える影響は何か？
• RQ5 量子BNN推論は、古典的ベースラインと比較して、真の事後予測分布をどの程度正確に近似できるか？

主な発見

• 提案された量子IPEアルゴリズムは、1サンプルあたり1回の量子計算で正確な事後分布近似を達成し、古典的量子アルゴリズムで必要な繰り返し評価を完全に排除した。
• qubit数が少ない場合（n=5からn=13）においても、事後予測標準偏差が低く、予測精度が高いため、真の事後分布をよく近似していることが示された。
• シミュレーション結果から、qubit数（n）の増加に伴い、事後分布近似の質が一貫して向上することが確認され、本手法のスケーラビリティが裏付けられた。
• IPE位相推定サブルーチンに内在する非等方的および周期的ノイズパターンに対しても良好な性能を示しており、NISQ時代に一般的に見られるノイズに対して耐性があることが示唆された。
• フルランクおよび低ランクの重み初期化の両方とも安定した性能を示し、量子推論品質に顕著な劣化が認められなかったため、標準的なBNN学習手法と互換性があることが示された。
• qubit数の増加に伴い、量子推論パイプライン（QICP）は古典的推論（CICP）および古典的量子推論（CIQP）を上回り、特に事後予測精度において優れた性能を発揮した。