[論文レビュー] Quantum generative adversarial network for generating discrete data

Haozhen Situ, Zhimin He+2 more|arXiv (Cornell University)|Jul 3, 2018

Quantum Computing Algorithms and Architecture被引用数 17

ひとこと要約

本論文は、生成器としてパラメータ化された量子回路、判別器として古典的ニューラルネットワークを用いたハイブリッド量子古典GANを提案する。この手法は、現在の量子ハードウェアで利用可能なネイティブな1キュービットおよび2キュービットゲートのみを用い、データ符号化／出力のボトルネックを回避するとともに、確率分布を量子状態に暗黙的に符号化することで、従来のGANで一般的に見られる勾配消失問題を回避し、離散的データの効率的生成を可能にする。

ABSTRACT

Quantum machine learning has recently attracted much attention from the community of quantum computing. In this paper, we explore the ability of generative adversarial networks (GANs) based on quantum computing. More specifically, we propose a quantum GAN for generating classical discrete distribution, which has a classical-quantum hybrid architecture and is composed of a parameterized quantum circuit as the generator and a classical neural network as the discriminator. The parameterized quantum circuit only consists of simple one-qubit rotation gates and two-qubit controlled-phase gates that are available in current quantum devices. Our scheme has the following characteristics and potential advantages: (i) It is intrinsically capable of generating discrete data (e.g., text data), while classical GANs are clumsy for this task due to the vanishing gradient problem. (ii) Our scheme avoids the input/output bottlenecks embarrassing most of the existing quantum learning algorithms that either require to encode the classical input data into quantum states, or output a quantum state corresponding to the solution instead of giving the solution itself, which inevitably compromises the speedup of the quantum algorithm. (iii) The probability distribution implicitly given by data samples can be loaded into a quantum state, which may be useful for some further applications.

研究の動機と目的

• 量子機械学習モデルを用いて、テキストなどの離散的データを生成する課題に対処すること。
• 離散的分布の生成時に、従来のGANが直面する勾配消失問題を克服すること。
• 完全な量子状態の符号化を避けることで、量子機械学習における一般的な入力・出力ボトルネックを排除し、直接的に古典的データを出力すること。
• 将来的な量子アプリケーションのため、データの確率分布を量子状態に暗黙的に符号化すること。

提案手法

• 生成器は、現在のノイジィな中規模量子（NISQ）デバイスで実装可能な、1キュービット回転ゲートと2キュービット制御位相ゲートから構成されるパラメータ化された量子回路である。
• 判別器は、生成されたデータサンプルの現実性を評価するための古典的フィードフォワードニューラルネットワークである。
• 生成器は、離散的データの確率分布を符号化した量子状態を生成し、これを測定することで古典的離散出力を得る。
• 訓練プロセスは、生成器がより現実的なデータを生成するように最適化され、判別器が本物のデータと生成されたデータをよりよく識別できるように最適化されるのを交互に繰り返す。
• 量子回路の出力は計算基底で測定され、完全な量子状態トモグラフィの必要性を回避する。
• この手法により、データ分布が量子状態に暗黙的に格納され、その後続の量子処理に役立つ可能性がある。

実験結果

リサーチクエスチョン

• RQ1 ネイティブなゲートのみを用いた量子生成器は、勾配消失問題を回避しながら、現実的な離散的データ分布を生成できるか？
• RQ2 量子GANは、既存の量子機械学習アルゴリズムの高速化を制限する入力・出力ボトルネックをどのように回避できるか？
• RQ3 パラメータ化された量子回路の測定を通じて、離散的データの確率分布を量子状態に暗黙的に符号化できるか？
• RQ4 近い将来の量子ハードウェア上で、ハイブリッド量子古典GANアーキテクチャを用いて古典的離散的データ（例：テキスト）を生成することは可能か？

主な発見

• 提案された量子GANアーキテクチャは、離散的データ生成に本質的に適しており、この分野で一般的な勾配消失問題を克服する。
• 完全な量子状態の出力を必要とせず、直接的に古典的離散的データを出力することで、量子機械学習における一般的な入力・出力ボトルネックを回避する。
• 生成されたデータの確率分布が、生成器の量子状態に暗黙的に符号化されており、その後続の量子アルゴリズムへの応用が可能である。
• 1キュービットおよび2キュービットゲートのみを用いることで、現在のノイジィな中規模量子（NISQ）デバイスとの互換性が保たれ、実用的実装が容易になる。