[論文レビュー] Quantum Kitchen Sinks: An algorithm for machine learning on near-term quantum computers

C. W. Wilson, Johannes Otterbach+7 more|arXiv (Cornell University)|Jun 21, 2018

Quantum Computing Algorithms and Architecture被引用数 1

ひとこと要約

Quantum Kitchen Sinks は、パラメータ化された量子回路を用いて古典的データを量子特徴空間へ非線形にマップするハイブリッド量子古典アルゴリズムを導入し、機械学習タスクにおける性能向上を実現する。合成データおよびMNISTデータセットにおいて、分類誤差率をそれぞれ 50% から <0.1%、4.1% から 1.4% に低下させ、近位量子ハードウェア上での顕著な性能向上を示している。

ABSTRACT

Noisy intermediate-scale quantum computing devices are an exciting platform for the exploration of the power of near-term quantum applications. Performing nontrivial tasks in such devices requires a fundamentally different approach than what would be used on an error-corrected quantum computer. One such approach is to use hybrid algorithms, where problems are reduced to a parameterized quantum circuit that is often optimized in a classical feedback loop. Here we describe one such hybrid algorithm for machine learning tasks by building upon the classical algorithm known as random kitchen sinks. Our technique, called quantum kitchen sinks, uses quantum circuits to nonlinearly transform classical inputs into features that can then be used in a number of machine learning algorithms. We demonstrate the power and flexibility of this proposal by using it to solve binary classification problems for synthetic datasets as well as handwritten digits from the MNIST database. Using the Rigetti quantum virtual machine, we show that small quantum circuits provide significant performance lift over standard linear classical algorithms, reducing classification error rates from 50% to $<0.1\%$, and from $4.1\%$ to $1.4\%$ in these two examples, respectively. Further, we are able to run the MNIST classification problem, using full-sized MNIST images, on a Rigetti quantum processing unit, finding a modest performance lift over the linear baseline.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）デバイスに特化した実用的な機械学習手法の開発を目的とする。
• 古典的ランダムキッチンシンクス手法を量子ドメインに拡張し、量子回路を用いて特徴変換を行う。
• 小さな量子回路が、実世界のデータセットにおいて古典的線形モデルよりも測定可能な性能向上を達成できることを示す。
• シミュレートされたおよび物理的量子ハードウェアの両方で、量子特徴写像のスケーラビリティと有効性を評価する。

提案手法

• 古典的ランダムキッチンシンクスを改変し、ランダム特徴写像の代わりにパラメータ化された量子回路を用いて量子特徴を生成する。
• 古典的入力データがパラメータ化されたアンザッツを用いて量子状態に符号化され、ユニタリ変換が適用されて非線形特徴表現が生成される。
• 量子回路の出力を測定し、古典的線形分類器の特徴として使用する。パrameterは古典的フィードバックループで最適化される。
• 分類損失を最小化するために、量子回路パrameterの勾配ベース最適化を用いてアルゴリズムをトレーニングする。
• アルゴリズムはRigettiの量子仮想マシンおよび物理的量子処理ユニット（QPU）の両方で評価される。
• この手法は、古典的線形モデルでは到達できない複雑な非線形意思決定境界を生成できる、量子回路の表現力を利用する。

実験結果

リサーチクエスチョン

• RQ1 パラメータ化された量子回路は、NISQデバイス上で機械学習モデルの非線形特徴写像として効果的に機能するか？
• RQ2 小さな量子回路は、古典的線形モデルと比較して、分類精度をどの程度向上させるか？
• RQ3 量子キッチンシンクスの性能は、合成データから実世界のデータセット（例：MNIST）まで、異なるデータの複雑さのレベルにおいてどのようにスケーリングするか？
• RQ4 アルゴリズムは、シミュレーションにとどまらず、物理的量子ハードウェアでも測定可能な性能向上を達成できるか？

主な発見

• 合成データセットでは、古典的線形モデルが 50% の分類誤差率を示すのに対し、Quantum Kitchen Sinks は 0.1% 未満まで低下させた。
• MNIST データセットでは、量子強化特徴写像を用いることで、古典的線形ベースラインの 4.1% から 1.4% に誤差率が低下した。
• Rigetti の量子処理ユニットを用いて、フルサイズの MNIST 画像データセット上でアルゴリズムが正常に実行され、古典的ベースラインに対してわずかだが測定可能な性能向上が得られた。
• パラメータ化された回路によって生成された量子特徴写像は、非線形意思決定境界を生成でき、合成データおよび実世界データの両方で線形モデルを著しく上回った。
• 結果として、NISQ デバイス上での浅い量子回路ですら、教師あり学習タスクにおいて意味のある利点を提供できることを示した。