[論文レビュー] Quantum Earth Mover's Distance: A New Approach to Learning Quantum Data

Bobak T. Kiani, Giacomo De Palma+3 more|arXiv (Cornell University)|Jan 8, 2021

Adversarial Robustness in Machine Learning参考文献 135被引用数 7

ひとこと要約

本稿では、量子生成的学習のための安定な損失指標として、量子Earth Mover's距離（EM）を導入し、多項式リソースで効率的に学習可能な量子Wasserstein GAN（qWGAN）を実現する。従来の量子距離指標と比較して、多様な量子データにおいて優れた学習安定性と収束性を達成する。

ABSTRACT

Quantifying how far the output of a learning algorithm is from its target is an essential task in machine learning. However, in quantum settings, the loss landscapes of commonly used distance metrics often produce undesirable outcomes such as poor local minima and exponentially decaying gradients. As a new approach, we consider here the quantum earth mover's (EM) or Wasserstein-1 distance, recently proposed in [De Palma et al., arXiv:2009.04469] as a quantum analog to the classical EM distance. We show that the quantum EM distance possesses unique properties, not found in other commonly used quantum distance metrics, that make quantum learning more stable and efficient. We propose a quantum Wasserstein generative adversarial network (qWGAN) which takes advantage of the quantum EM distance and provides an efficient means of performing learning on quantum data. Our qWGAN requires resources polynomial in the number of qubits, and our numerical experiments demonstrate that it is capable of learning a diverse set of quantum data.

研究の動機と目的

• 従来の距離指標による量子機械学習における不安定さと劣悪な最適化ダイナミクスを解消すること。
• 量子設定においてより優れた勾配挙動を示す、古典的Earth Mover's距離の量子アナログを開発すること。
• 量子EM距離を活用した量子生成的対抗ネットワーク（qWGAN）を設計し、学習効率と安定性を向上させること。
• 提案されたqWGANが、量子ビット数の多項式スケーリングで多様な量子データ分布を学習できることを示すこと。

提案手法

• 本稿では、量子生成モデルの損失関数として、Earth Mover's（Wasserstein-1）距離の量子版を提案する。
• 量子EM距離を用いて、量子生成器と識別器の学習をガイドする量子Wasserstein GAN（qWGAN）を定式化する。
• 損失関数の地形が滑らかで、指数的減少する勾配を回避するよう保証することで、安定した最適化を実現する。
• 古典的EM距離から導出された量子EM距離は、適切なヒルベルト空間の定式化を介して、量子状態に適応される。
• qWGANアーキテクチャは、量子ビット数に対して多項式スケーリングのリソースで動作するよう設計されており、スケーラビリティを確保する。
• 数値実験により、さまざまな量子データ分布における手法の有効性が検証され、生成された状態の収束性と多様性が示された。

実験結果

リサーチクエスチョン

• RQ1 量子Earth Mover's距離は、標準的な量子距離指標よりもより安定的で効率的な学習目的を提供できるか？
• RQ2 量子EM距離に基づくqWGANは、多様な量子データ分布を学習する際にどのように性能を発揮するか？
• RQ3 量子EM距離は、他の量子距離指標で一般的に見られる勾配消失問題を回避できるか？
• RQ4 提案されたqWGANのリソーススケーリング（量子ビット数および回路深さ）はどのようになるか？

主な発見

• 量子Earth Mover's距離は、他の量子距離指標と比較して滑らかな損失地形を示し、局所最適解への陥落リスクが低減する。
• 量子EM距離を用いたqWGANは、指数的減少する勾配が生じない安定した学習ダイナミクスを示す。
• 本手法は、量子ビット数の多項式スケーリングで多様な量子データ分布の学習に成功する。
• 数値実験により、qWGANがターゲット分布に密接に一致する高品質な量子状態を生成できることを確認した。