[論文レビュー] Quantum Learning Machine

Jeongho Bang, James Lim+2 more|ArXiv.org|Mar 20, 2008

Quantum Computing Algorithms and Architecture参考文献 1被引用数 14

ひとこと要約

本稿では、反復的学習を通じてユニタリ操作を調整することで、量子アルゴリズムを自律的かつ自己制御的に発見するフィードバック制御システム、量子学習機械（QLeM）を紹介する。300ビットのメモリを用いた場合、デュイットの問題を解き、0.989に近い忠実度を達成し、量子コherー二ン制御による自動的量子アルゴリズム発見を実証した。

ABSTRACT

We propose a novel notion of a quantum learning machine for automatically controlling quantum coherence and for developing quantum algorithms. A quantum learning machine can be trained to learn a certain task with no a priori knowledge on its algorithm. As an example, it is demonstrated that the quantum learning machine learns Deutsch's task and finds itself a quantum algorithm, that is different from but equivalent to the original one.

研究の動機と目的

• アルゴリズムに関する事前知識がなくても、自動的量子アルゴリズム発見のための新規フレームワークを開発すること。
• 測定結果に基づいてユニタリ操作を調整するフィードバック機構を通じて、量子コherー二ン制御を可能にすること。
• 反復的学習を通じて、量子系が既知のアルゴリズム（例えばデュイットのアルゴリズム）と同等の量子アルゴリズムを学習・実装できることを示すこと。
• 古典的メモリが学習プロセスの加速およびアルゴリズムの忠実度向上に果たす役割を調査すること。
• 自律的学習を用いた量子アルゴリズム開発のための新パラダイムを確立すること。

提案手法

• QLeMアーキテクチャは、状態準備装置（P）、可変ユニタリ操作（U）、シングルショット測定（M）、および古典的メモリ（S）を備えたフィードバックシステム（F）から構成される。
• フィードバックシステム（F）は、古典チャネルを介して測定結果（C_MF）と制御パラメータ（C_FU）を通信し、ユニタリ操作Uを調整する。
• ユニタリ操作Uは、3つのサブユニットに分解される：U1（2キュービット）、U2（入力依存関数）、U3（1キュービット）。U2はタスク関数f(x)を符号化する。
• 学習は反復的に進行する：システムは入力-ターゲットペアを選択し、U1とU3にランダムな初期パラメータを適用し、測定結果に基づいてそれらを更新する。ターゲット状態に到達するまで繰り返す。
• 学習確率P(n)と生存確率Q(n) = 1 - P(n)の推定に、1000回の試行を用いた量子モンテカルロシミュレーションを実施し、指数関数的減衰e^{-(n-1)/n_c}にフィットする。
• 忠実度は𝒟 = (1/4)∑⟨t_x|ρ_x|t_x⟩として計算され、出力状態がターゲット状態にどれほど近いかを、メモリサイズNを変化させた1000回の試行平均で評価する。

実験結果

リサーチクエスチョン

• RQ1 量子系は、アルゴリズムに関する事前知識なしに、与えられたタスクのための量子アルゴリズムを自律的に発見できるか？
• RQ2 古典的メモリの導入が、量子アルゴリズム発見の収束速度および成功確率に与える影響は何か？
• RQ3 QLeMが発見した量子アルゴリズムは、デュイットのアルゴリズムのような既知の最適アルゴリズムと、計算的忠実度の観点で同等であるか？
• RQ4 特性学習時間n_cが古典的メモリサイズNに対してどのようにスケーリングするか？
• RQ5 QLeMは、量子並列性とユニタリ進化を保持しながら、フィードバック制御を用いて量子アルゴリズムを学習できるか？

主な発見

• QLeMはデュイットのタスクを正常に学習し、300ビットの古典的メモリサイズで0.989の忠実度を達成し、ほぼ完璧な状態準備を示した。
• 生存確率Q(n)はe^{-(n-1)/n_c}として指数関数的に減衰し、学習プロセスの有限時間内収束を確認した。
• 特性学習時間n_cは、n_c = A·N^DとしてメモリサイズNにスケーリングし、D ≈ 3.46およびA ≈ 10^{-1.06}であることが判明し、メモリ容量に強く依存することが示された。
• 学習後、ユニタリ操作U1は2つの1キュービット操作の積であることが判明し、デュイットのオリジナルアルゴリズムにおけるアダマールゲートとは異なっていたが、機能的に同等であった。
• 学習プロセスは頑健で再現可能であり、メモリサイズが増加するにつれて忠実度が1に近づくことから、高精度の解への収束能力が確認された。
• QLeMは、フィードバック制御を用いた自動化により、量子アルゴリズム発見が可能であることを示し、新規量子アルゴリズムの発見への新たな道筋を提示した。