[論文レビュー] Quantum Machine Learning: from physics to software engineering

Alexey Melnikov, Mohammad Kordzanganeh+2 more|arXiv (Cornell University)|Jan 4, 2023

Quantum Computing Algorithms and Architecture被引用数 8

ひとこと要約

このレビューは、量子技術が機械学習をどのように強化できるかを概説し、ハイブリッド量子-古典モデル、データエンコーディング、トレーニング、理論的基盤に焦点を当て、特にNISQ制約の下での適用を扱います。

ABSTRACT

Quantum machine learning is a rapidly growing field at the intersection of quantum technology and artificial intelligence. This review provides a two-fold overview of several key approaches that can offer advancements in both the development of quantum technologies and the power of artificial intelligence. Among these approaches are quantum-enhanced algorithms, which apply quantum software engineering to classical information processing to improve keystone machine learning solutions. In this context, we explore the capability of hybrid quantum-classical neural networks to improve model generalization and increase accuracy while reducing computational resources. We also illustrate how machine learning can be used both to mitigate the effects of errors on presently available noisy intermediate-scale quantum devices, and to understand quantum advantage via an automatic study of quantum walk processes on graphs. In addition, we review how quantum hardware can be enhanced by applying machine learning to fundamental and applied physics problems as well as quantum tomography and photonics. We aim to demonstrate how concepts in physics can be translated into practical engineering of machine learning solutions using quantum software.

研究の動機と目的

• 量子技術が古典的機械学習の効率とスケーラビリティを向上させる方法を説明する。
• NISQ時代の応用に向けた量子ニューラルネットワーク、データエンコーディング戦略、変分回路を概観する。
• 量子機械学習における学習理論、一般化、ベイズ的観点を論じる。
• 誤り低減、トモグラフィ、実験自動化といった量子ハードウェアのタスクに対してMLがどのように支援できるかを強調する。

提案手法

• MLのパラダイム（教師なし、教師あり、強化学習）を分類し、量子手法がそれらをどのように加速または改善できるかを論じる。
• 量子デバイスへのデータエンコーディング戦略（状態エンベディング、振幅エンベディング、観測ベースエンベディング）とそれらが表現力に与える影響を詳述する。
• パラメトリゼーションされた量子回路（PQC）とQNNのアーキテクチャ選択（ハードウェア効率、TTN/MPS、QCNN）をレビューする。
• QNNの勾配計算手法（パラメータシフト法、随伴法、リーマン幾何学ベースのアプローチ）と砂時計化（バレーン・プラトー）などの問題を説明する。
• カーネル手法、ベイズ的QNN、一般化境界といった量子学習理論の関連性を論じ、QNNのフーリエ推定量としての普遍性を検討する。
• ハイブリッド量子-古典ニューラルネットワークを説明し、NISQハードウェア上での潜在的利点を示す。

Figure 1: Interdisciplinary paradigm of quantum machine learning that is based on current classical information, quantum technologies, and artificial intelligence, respectively (the details are given in the text).

実験結果

リサーチクエスチョン

• RQ1 量子技術をどのように活用して古典的機械学習タスクを加速・強化できるか？
• RQ2 量子モデルの効果的なデータエンコーディング戦略は何で、モデルの表現力にどう影響するか？
• RQ3 実際の量子ハードウェア上でのQNNのトレーニング戦略と勾配計算手法はどれが現実的か？
• RQ4 量子機械学習はハードウェアの課題（誤り低減、トモグラフィ）にどう対処し、量子ウォークなどの過程を通じて量子優位性をどのように示すか？

主な発見

• 量子ニューラルネットワークは、パラメータを古典的に更新しつつ、量子回路が特徴の埋め込みと評価を提供するフレームワークを提供する。
• データエンコーディングの選択（状態、振幅、観測）がモデルの表現力と性能を決定的に左右する。
• パラメータシフト法などの勾配手法はQPU対応のトレーニングを可能にするが、パラメータ数の増加によりスケーラビリティが課題となる。
• 深いまたは高度にエンタングルされた回路においてはバレイン・プラトーが訓練性の課題を生み、訓練性を保つためのアーキテクチャと初期化戦略が求められる。
• 教師ありQMLのカーネル様の解釈は、QNNを古典的カーネル手法へと結びつけ、潜在的な利点とトレーニングダイナミクスを示唆する。
• ハイブリッド量子-古典アーキテクチャは、NISQ時代の制約を緩和しつつ量子利点を活用する可能性を示唆する。

Figure 2: Timeline with milestones of quantum machine learning achievements.