[論文レビュー] Quantum computing for pattern classification

Maria Schuld, Ilya Sinayskiy+1 more|arXiv (Cornell University)|Dec 11, 2014

Quantum Computing Algorithms and Architecture参考文献 26被引用数 5

ひとこと要約

本論文は、Trugenbergerの量子ハミング距離計算に基づく量子パターン分類アルゴリズムを提案する。重ね合わせと振幅増幅を用いて、距離重み付きk近傍法のアプローチにより、二値特徴ベクトルを分類する。この手法は、固有の不確実性評価を内蔵する確率的分類を実現し、手書き数字認識のような曖昧なケースにおいて、古典的kNNに比して顕著な利点を示す。具体的には、'9'が'0'に誤認されるような曖昧な入力に対して、バランスの取れた出力分布を生成する。

ABSTRACT

It is well known that for certain tasks, quantum computing outperforms classical computing. A growing number of contributions try to use this advantage in order to improve or extend classical machine learning algorithms by methods of quantum information theory. This paper gives a brief introduction into quantum machine learning using the example of pattern classification. We introduce a quantum pattern classification algorithm that draws on Trugenberger's proposal for measuring the Hamming distance on a quantum computer (CA Trugenberger, Phys Rev Let 87, 2001) and discuss its advantages using handwritten digit recognition as from the MNIST database.

研究の動機と目的

• 量子並列性と重ね合わせを活用することで、パターン分類における量子的優位性を探索すること。
• 手書き数字が複数のクラスに類似しているような曖昧な入力を処理する際、古典的kNNの限界を是正すること。
• 確率的測定を通じて距離重み付けと不確実性推定を自然に組み込む量子アルゴリズムを開発すること。
• MNISTデータセットを用いて、実世界の分類タスクにおける量子機械学習の実現可能性を示すこと。

提案手法

• アルゴリズムは、二値特徴ベクトルを表すキュービットを用いて、訓練データとテストデータを重ね合わせ状態として符号化する。
• 入力ベクトルとすべての訓練ベクトル間のハミング距離を重ね合わせ状態で計算するために、Trugenbergerの量子サブルーチンを用いる。
• 計算されたハミング距離に基づいて制御回転を適用し、クラスラベルを距離情報とエンタングルする。
• 振幅増幅を用いて、最も関連性の高い近傍点の測定確率を高め、距離重み付きk近傍法を効果的に実装する。
• 最終的な測定により、各クラスにおける確率的出力分布が得られ、入力が各訓練クラスにどれほど近いかを反映する。
• アルゴリズムの実行時間はO(T P n)であり、Tは精度の閾値、Pは訓練例の数を表す。効率的な状態準備または量子メモリが利用可能な場合、Pに依存しない可能性がある。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングは、古典的手法と比較して、パターン分類タスクにおいて速度向上や優位性を提供できるか？
• RQ2 量子アルゴリズムは、分類の文脈で距離重み付けと不確実性評価を自然に統合できるか？
• RQ3 手書き数字のような曖昧な入力に対して、量子k-NN分類器の性能はいかがなものか？
• RQ4 入力の曖昧さに対する耐性という観点から、量子パターン分類は古典的kNNを上回れるか？
• RQ5 近い将来の量子ハードウェアにこのようなアルゴリズムを実装する際の実用的制限とスケーラビリティの見通しは何か？

主な発見

• 単純なハミング距離ベースのアプローチを用いた場合、100個のバイナリ化MNISTデジットのテストセットにおいて、量子パターン分類アルゴリズムは約50％の分類精度を達成した。これは古典的kNNと同等の性能である。
• アルゴリズムは、入力の曖昧さを反映した確率的出力分布を生成する。たとえば、'0'と'9'に等距離に近い手書きの'9'に対しては、両クラスの測定確率がほぼ等しくなる。
• この確率的出力は、古典的決定的kNNに欠如している内在的な不確実性評価を提供する。これは、曖昧な分類状況において質的優位性を示す。
• アルゴリズムの複雑さはO(T P n)にスケーリングされ、効率的な状態準備または量子メモリが利用可能な場合、Pに依存しない可能性がある。
• この手法は、追加の計算ステップを要せず、測定プロセスに距離重み付けを自然に統合できることを示している。
• シミュレーションの結果、グローバル位相シフトパラメータεを導入することで、分類性能がわずかに向上することが示され、量子モデルのチューニング可能性が示された。