[論文レビュー] Quantum-Enhanced Machine Learning for Covid-19 and Anderson Insulator Predictions

Paul-Aymeric McRae, Michael Hilke|arXiv (Cornell University)|Dec 7, 2020

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文は、16量子ビットのIBM量子コンピュータを用いて、量子強化機械学習を評価し、COVID-19の感染拡大データとアンドリュースン絶縁体転移の分類に、量子サポートベクターマシン（QSVM）と変分量子分類器（VQC）を適用している。理論的には有望であるが、複雑なデータセットでは量子手法が古典的手法を上回ることはなく、クラスの不均衡や限られたハイパーパrameterチューニングの影響により、しばしば性能が劣るか、人工的な正確性を示すことがある。

ABSTRACT

Quantum Machine Learning (QML) algorithms to solve classifications problems have been made available thanks to recent advancements in quantum computation. While the number of qubits are still relatively small, they have been used for "quantum enhancement" of machine learning. An important question is related to the efficacy of such protocols. We evaluate this efficacy using common baseline data sets, in addition to recent coronavirus spread data as well as the quantum metal-insulator transition in three dimensions. For the computation, we used the 16 qubit IBM quantum computer. We find that the "quantum enhancement" is not generic and fails for more complex machine learning tasks.

研究の動機と目的

• 実世界の分類タスクにおける量子強化機械学習の実用的効果を評価すること。
• COVID-19感染拡大や3次元アンドリュースン局在化のような非ベースラインの複雑なデータセットにおける、量子と古典のパフォーマンスを比較すること。
• QSVMおよびVQCアルゴリズムにおける「量子強化」が、古典的手法に対して実際に測定可能な利点をもたらすかどうかを調査すること。
• クラスの不均衡や量子フレームワークにおける限られたハイパーパrameter制御に起因する、人工的な正確性といった実装上の課題を同定すること。
• 近位量子ハードウェアにおける量子機械学習パイプラインのスケーラビリティと計算複雑性を評価すること。

提案手法

• IBM QISKitを用いて16量子ビットの量子プロセッサ上で、量子サポートベクターマシン（QSVM）と変分量子分類器（VQC）を実装する。
• 同じデータセット上で比較のためのベースラインとして、古典的SVM（線形およびRBFカーネル）を用いる。
• QSVMでは特徴マッピングとカーネル関数を適用し、カーネル計算は量子回路が担当する。
• パラメータ化されたゲートを備えた変分量子回路を用い、古典的フィードバックループを介して反復的に最適化する。
• シミュレートされた量子回路と実際のIBM量子ハードウェアを併用し、データサイズと特徴次元の変化に伴うパフォーマンスを評価する。
• 訓練サンプル数と特徴次元の変化に伴う分類精度、計算時間、スケーラビリティのトレンドを測定する。

実験結果

リサーチクエスチョン

• RQ1 量子強化機械学習は、COVID-19やアンドリュースン絶縁体データのような複雑で現実世界のデータセットにおいて、古典的手法を上回るか？
• RQ2 QSVMおよびVQCアルゴリズムは、古典的SVMと比較して実際のところどれほど「量子強化」を実現しているか？
• RQ3 現在の量子機械学習パイプラインにおける主なパフォーマンスボトルネックは何か、特にスケーラビリティとハイパーパrameterチューニングの観点から。
• RQ4 なぜ一部の量子モデルは、特に不均衡なデータセットにおいて、人工的に高い正確性を示すことがあるのか？
• RQ5 量子分類と古典的分類の両者において、訓練データサイズと特徴次元の増加に伴い、計算時間はどのように変化するか？

主な発見

• 量子強化手法は、乳癌および赤ワインのベンチマークデータセットでは古典的SVMに劣り、古典的手法が一貫して高い正確性を達成した。
• より複雑なCOVID-19およびアンドリュースン絶縁体データセットでは、量子モデルは一般的に古典的モデルを下回り、一貫した量子優位性は観察されなかった。
• 稀に、量子モデルがわずかに高い正確性を示したが、これはデータ内にランダムネスが含まれていた場合に限られ、明確な改善は確認できなかった。
• いくつかの量子モデルは、特に不均衡なデータセットにおいて、1つのクラスにしか予測しないという深刻な性能劣化を示した。これはQISKitにおけるハイパーパrameterチューニングの制限に起因している。
• QSVMの計算時間はデータサイズに二次関数的に依存したが、VQCはデータサイズに対して線形依存を示したが、特徴次元に対して指数関数的に増加した。
• 理論と実際のパフォーマンスの乖離は、シミュレーションのオーバーヘッドや実装の差異に起因しており、単に理論的複雑性の問題ではないとされた。