[論文レビュー] Quantum Circuit Parameters Learning with Gradient Descent Using Backpropagation

Masaya Watabe, Kodai Shiba+3 more|arXiv (Cornell University)|Oct 31, 2019

Quantum Computing Algorithms and Architecture参考文献 37被引用数 7

ひとこと要約

本論文は、NISQ時代における変分量子回路のパラメータ最適化のための勾配降下法と誤差逆伝播法を提案する。古典的な誤差逆伝播法の技術を用いて、量子回路のパラメータを通じて勾配を効率的に計算することで、収束を加速し、従来の探索ベースの手法と同等またはそれ以上のテスト精度を達成する。これにより、トレーニング速度が顕著に向上する。

ABSTRACT

Quantum computing has the potential to outperform classical computers and is expected to play an active role in various fields. In quantum machine learning, a quantum computer has been found useful for enhanced feature representation and high dimensional state or function approximation. Quantum-Classical hybrid algorithms are proposed in recent years for this purpose under the Noisy-Intermediate Scale Quantum computer (NISQ) environment. Under this scheme, the role played by classical computer is the parameter tuning, parameter optimization, and parameter update for the quantum circuit. In this paper, we propose a gradient descent based backpropagation algorithm that can efficiently calculate the gradient in parameter optimization and update the parameter for quantum circuit learning, which outperforms the current parameter search algorithms in terms of computing speed while presents the same or even higher test accuracy.

研究の動機と目的

• NISQ制約下における変分量子回路のパラメータ最適化が遅いという課題に対処すること。
• 量子回路パラメータの勾配を効率的に計算する古典的最適化フレームワークを開発すること。
• 誤差逆伝播に基づくトレーニングにより、量子機械学習モデルの収束を高速化すること。
• 速度とテスト精度の両面で、従来のパラメータ探索アルゴリズムを上回ること。
• ハイブリッド量子古典的学習システムにおけるパラメータチューニングのスケーラブルで効率的な手法を提供すること。

提案手法

• コスト関数の各パラメータに関する勾配を、パラメータ化されたゲートを介して量子回路全体にわたって誤差逆伝播することで計算する。
• 数値微分を回避するため、パラメータシフト則を用いて勾配を解析的に計算する。
• 標準的な確率的またはバッチ勾配降下法を用いた古典的最適化ループに勾配計算を統合する。
• 任意のパラメータ化された量子回路をサポートし、既存の量子シミュレーションバックエンドと互換性を持つ。
• エンドツーエンドのトレーニングを可能にする微分可能な量子回路フレームワークを用いて実装する。
• 変分量子アルゴリズムにおける効率的なハイパーパrameterチューニングとモデル収束を可能にする。

実験結果

リサーチクエスチョン

• RQ1 誤差逆伝播は、変分量子回路のパラメータ最適化に効果的に適用可能か？
• RQ2 提案された勾配ベースの手法は、従来の探索ベースの最適化と比較して、トレーニング速度にどのように差をつけるか？
• RQ3 パラメータシフト則による解析的勾配の使用は、量子回路学習における収束性と精度を向上させるか？
• RQ4 従来の手法と比較して、トレーニング時間を短縮しながらも、テスト精度を維持または向上できるか？
• RQ5 ノイズの多い中規模量子環境における、誤差逆伝播ベースの最適化のスケーラビリティとロバスト性はいかがなものか？

主な発見

• 提案された誤差逆伝播ベースの勾配降下法は、従来のパラメータ探索アルゴリズムよりも収束が速い。
• ベースライン最適化手法と比較して、テスト精度を維持または向上させる。
• パラメータシフト則による勾配計算により、数値近似を避け、正確で効率的な最適化が可能になる。
• アルゴリズムは、量子機械学習タスクにおけるモデル性能を保持したまま、トレーニング時間を顕著に短縮する。
• 幅広い種類のパラメータ化された量子回路と互換性があり、既存のハイブリッド量子古典的フレームワークに統合可能である。
• 実験的結果から、本手法はランダム探索やグリッド探索を上回るスピードと最終的なモデル精度を示している。