[論文レビュー] Quantum Graph Neural Networks

Guillaume Verdon, Trevor McCourt+4 more|arXiv (Cornell University)|Sep 26, 2019

Quantum Computing Algorithms and Architecture参考文献 40被引用数 60

ひとこと要約

本論文は Quantum Graph Neural Networks (qgnn) と特殊な派生形 (qgrnn, qgcnn, qsgcnn) を導入し、グラフ構造の量子データを処理する。4つの応用を實証: ハミルトニアン動力学の学習、量子ネットワークでのエンタングルメント生成、教師なしスペクトルクラスタリング、グラフ同型性分類。数値実験はグラフ構造タスクで効果的な学習と量子センシングの利点を示す。

ABSTRACT

We introduce Quantum Graph Neural Networks (QGNN), a new class of quantum neural network ansatze which are tailored to represent quantum processes which have a graph structure, and are particularly suitable to be executed on distributed quantum systems over a quantum network. Along with this general class of ansatze, we introduce further specialized architectures, namely, Quantum Graph Recurrent Neural Networks (QGRNN) and Quantum Graph Convolutional Neural Networks (QGCNN). We provide four example applications of QGNNs: learning Hamiltonian dynamics of quantum systems, learning how to create multipartite entanglement in a quantum network, unsupervised learning for spectral clustering, and supervised learning for graph isomorphism classification.

研究の動機と目的

• distributed quantum systems に対応したグラフ認識のニューラルネットワークアンサッツの必要性を動機づける。
• 一般的な qgnn フレームワークとグラフ構造量子データのための専門的アーキテクチャ (qgrnn, qgcnn, qsgcnn) を提案する。
• 4つの応用を実証する: ハミルトニアン動力学の学習、量子ネットワークでの multipartite なエンタングルメントの創出、教師なしスペクトルクラスタリング、教師ありグラフ同型性分類。

提案手法

• 一般的な QGNN アンサッツを、グラフ上のパラメータ化量子回路として定義し、Q 個のハミルトニアンを連続で適用し、P 回 repetitions。
• trainability を満たす制約を課す、例えば given H_q 内の項を可換とする、空間的または時間的パラメータ tying を用いて qgrnn および qgcnn variant を作成する。
• qgrnn を時刻的に結合されたパラメータとして、グラフ上の効果的なハミルトニアン動的を模擬する（H_eff の Trott erized 演化）。
• qgcnn を全体的（グラフ毎の）パラメータで構成し、置換不変性を課すことで、Quantum Alternating Operator Ansatze（QAOA 的）な整合を取る。
• 連続変数のアイデアと four-Hamiltonian 層列を用いて、スペクトルグラフ畳み込みを模倣する非線形性を持つ量子スペクトルグラフ畳み込みネットワーク（qsgcnn）へ拡張する。
• 各派生の具体的な実装と訓練設定を提供し、損失関数と評価手法を含む。

実験結果

リサーチクエスチョン

• RQ1 qgrnn はデータからグラフ構造の量子ハミルトニアン動力学を効果的に学習できるか？
• RQ2 qgcnn ベースのアーキテクチャは、全体のグローバル構造知識なしに、量子ネットワークで multipartite なエンタングルメントを生成/識別することを学習できるか？
• RQ3 qsgcnn はグラフ構造の量子データに対して教師なしのスペクトルクラスタリングを実行できるか（低ビット精度のシナリオを含む）？
• RQ4 qsgcnn アプローチはエネルギー統計測定を用いてグラフ同型性を高精度で分類できるか？

主な発見

• Quantum Graph Recurrent Neural Networks (qgrnn) は、グラフ上でターゲットの Ising ハミルトニアン動力学を学習し、時系列状態からトポロジーとパラメータを回復することに成功した。
• A Quantum Graph Convolutional Neural Network (qgcnn) は、量子センサーネットワーク上でGHZ状態を準備・検証でき、multipartite なエンタングルメントと整合する位相キックバックの強化を達成する。
• The Quantum Spectral Graph Convolutional Network (qsgcnn) は、スペクトルグラフ畳み込みの量子コヒーレント類似物を回復し、グラフ上の教師なしスペクトルクラスタリングを可能にし、異なるキュービット精度で実用的な性能を示した。
• Graph Isomorphism Classification 実験で qsgcnn は高精度を達成し、15-node グラフではテスト/検証で100% の精度、複数のサンプル数で 6-node グラフでも高い性能を示した。
• 論文は、GHZState の位相キックバックテスト中に7ノードネットワークでのラビ振動周波数の7倍のブーストなど、観測可能な量子利得を報告し、学習されたネットワークでのハイゼンベルク限界感度を示している。
• Numerical experiments は Cirq-TensorFlow インタフェースを活用し、ダイナミクス学習、センシング、クラスタリング、同型性タスクにわたる qgnn の能力を実証する。