[論文レビュー] Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications

Yaswitha Gujju, Atsushi Matsuo+1 more|arXiv (Cornell University)|Jul 3, 2023

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

本サーベイは、近い将来の量子ハードウェアにおける教師ありおよび教師なし量子機械学習（QML）技術を評価し、高エネルギー物理学、医療、ファイナンス分野における実世界の応用に焦点を当てる。データエンコーディング、アーキテクチャ設計、エラー低減、最適化などの主な課題を分析するとともに、パフォーマンスのトレードオフを明らかにし、再現可能性およびスケーラビリティを高めるためのオープンサイエンスの実践を提言する。

ABSTRACT

The past decade has witnessed significant advancements in quantum hardware, encompassing improvements in speed, qubit quantity, and quantum volume-a metric defining the maximum size of a quantum circuit effectively implementable on near-term quantum devices. This progress has led to a surge in Quantum Machine Learning (QML) applications on real hardware, aiming to achieve quantum advantage over classical approaches. This survey focuses on selected supervised and unsupervised learning applications executed on quantum hardware, specifically tailored for real-world scenarios. The exploration includes a thorough analysis of current QML implementation limitations on quantum hardware, covering techniques like encoding, ansatz structure, error mitigation, and gradient methods to address these challenges. Furthermore, the survey evaluates the performance of QML implementations in comparison to classical counterparts. In conclusion, we discuss existing bottlenecks related to applying QML on real quantum devices and propose potential solutions to overcome these challenges in the future.

研究の動機と目的

• 実際の量子ハードウェアにおける教師ありおよび教師なし量子機械学習（QML）の現状を評価すること。
• データエンコーディング、アーキテクチャ構造、エラー低減、最適化手法などの主な実装課題を特定・分析すること。
• 高エネルギー物理学、医療、ファイナンスなどの実世界の分野において、QMLのパフォーマンスを古典的手法と比較すること。
• オープンサイエンスおよび標準化された実践を通じて、量子機械学習実験における再現可能性とスケーラビリティの問題に対処すること。
• ノイジィな中規模量子（NISQ）デバイスの活用を向上させるために、フェデレーテッドラーニングや量子ブースティングといった今後の研究分野を提言すること。

提案手法

• 高エネルギー物理学、医療、ファイナンス分野における実際の量子ハードウェア上での最近のQML実装をサーベイすること。
• 主に2つのフレームワークに焦点を当てる：変分量子回路（PQCs）と量子カーネル手法。これらはNISQデバイスに適している。
• 古典的データを量子状態にマッピングするための、アモルティチュードエンコーディングおよびアモルティチュード-エンコーディング方式を含む、データエンコーディング技術を分析すること。
• ゼロノイズ補外や確率的エラーキャンセリングといったエラー低減戦略を評価し、NISQデバイスにおけるノイズの影響を軽減すること。
• パラメータ化された量子回路の勾配ベース最適化手法を評価し、バーレインプラトーインや勾配の消失といった課題を検討すること。
• 再現可能性と協働を向上させるために、詳細なハイパーパramータドキュメント作成およびオープンソースコードの共有といったオープンサイエンスの実践を提言すること。

実験結果

リサーチクエスチョン

• RQ1 実世界の応用において、近い将来の量子ハードウェアにQMLを実装する上での現在の制限は何であるか？
• RQ2 ファイナンス、医療、高エネルギー物理学の実世界のデータセットにおいて、変分量子回路と量子カーネル手法は、パフォーマンスとスケーラビリティの面でどのように比較されるか？
• RQ3 エラー低減およびデータエンコーディング技術は、現在の量子プロセッサ上でQMLモデルの正確性と信頼性にどの程度影響を与えるか？
• RQ4 フェデレーテッドラーニングと量子ブースティングは、分散型で能力が低い量子デバイスにわたるQMLのスケーリングにどのような役割を果たすか？
• RQ5 ハードウェアのノイズとアクセス制限の下で、量子機械学習実験における再現可能性と透明性をどのように向上できるか？

主な発見

• 量子カーネル手法と変分量子回路は、現在のハードウェア制限に適合するため、近い将来のデバイスにおけるQMLの主要フレームワークである。
• ゼロノイズ補外のようなエラー低減技術により、大規模な回路（例：127キュービットデバイス）でも正確な期待値測定が可能になったが、キュービット数の増加に伴いスケーリングが著しく悪化する。
• データエンコーディング戦略はモデルのパフォーマンスに顕著な影響を与える。アモルティチュードエンコーディングは高い表現力を持つが、リソース消費も大きい。
• ハードウェアのノイズ、キャリブレーションのずれ、アルゴリズムのばらつきのため、再現性は依然として大きな課題であり、詳細なドキュメンテーションとオープンソースコードの共有が不可欠である。
• QMLと古典的手法のパフォーマンス比較には、量子ダイナミクスのシミュレーション分野における古典的進展も考慮する必要があり、量子優位性の偏りのある評価を避けるべきである。
• フェデレーテッドラーニングと量子ブースティングは、分散型でノイジィな量子リソースにわたるQMLのスケーリングを促進する有望な分野であるが、その有効性を検証するためのさらなる研究が求められる。