[論文レビュー] Quantum neural network autoencoder and classifier applied to an industrial case study

Stefano Mangini, Alessia Marruzzo+4 more|arXiv (Cornell University)|Jan 1, 2022

Quantum Computing Algorithms and Architecture参考文献 58被引用数 26

ひとこと要約

本論文は、Eniの石油精製プラントに設置された水/油分離装置から得られる実際の産業データを圧縮・分類するため、変分量子オートエナラーサーと量子分類器を組み合わせたハイブリッド量子古典パイプラインを提案する。6つのトレーニング可能なパラメータのみを用いて、シミュレーテッドデータでは87.4%、実際のIBM量子ハードウェアでは82.3%の分類精度を達成し、古典的手法と同等の性能を示した。これは、実世界の産業データを用いた近接未来の量子デバイスにおける量子機械学習の実用的妥当性を示している。

ABSTRACT

Quantum computing technologies are in the process of moving from academic research to real industrial applications, with the first hints of quantum advantage demonstrated in recent months. In these early practical uses of quantum computers it is relevant to develop algorithms that are useful for actual industrial processes. In this work we propose a quantum pipeline, comprising a quantum autoencoder followed by a quantum classifier, which are used to first compress and then label classical data coming from a separator, i.e., a machine used in one of Eni's Oil Treatment Plants. This work represents one of the first attempts to integrate quantum computing procedures in a real-case scenario of an industrial pipeline, in particular using actual data coming from physical machines, rather than pedagogical data from benchmark datasets.

研究の動機と目的

• 実験的またはベンチマークデータセットではなく、運用中の機器から得られる実際の産業データに量子機械学習アルゴリズムを適用する可能性を示すこと。
• 実際の産業用分離装置から得られる高次元の古典的データが、効果的に低次元の量子潜在空間に圧縮可能かどうかを評価すること。
• 二値分類タスクにおいて、圧縮された量子データ上でトレーニングされた量子分類器の性能を、古典的ベースラインと比較すること。
• ノイズや測定の確率的変動を含む、近接未来のNISQ時代の量子ハードウェアにおけるパイプラインの耐性を検証すること。
• 古典モデルと比較して、トレーニング可能なパラメータの点で量子アプローチの効率性を評価すること。

提案手法

• 4次元の古典的入力データ（油分率、流量、圧力、バルブ開度）を2次元の潜在量子状態に圧縮するため、パラメータ化された量子回路を用いた変分量子オートエナラーサー（VQA）を実装する。
• 単一キュービットの回転を用いて、入力特徴量の非線形符号化を可能にするアモニチュード符号化を用いて、古典的データを量子状態にロードする。
• 元の量子状態と復元された量子状態の間の再構成誤差を最小化するハイブリッド量子古典最適化ループを用いて、量子オートエナラーサーをトレーニングする。
• 量子の忠実度と平均再構成誤差（¯e ≈ 5%）を用いて、圧縮の質を検証する。
• KMeansクラスタリングラベルに基づき、潜在量子状態上で二値分類を実行するための量子分類器（変分量子回路）をトレーニングする。
• 1024ショットの回路実行と複数回の実行平均化を用いて、理想の量子シミュレーションおよび実際のIBM量子ハードウェア（ibmqx2）の両方で、パイプライン全体をテストする。

実験結果

リサーチクエスチョン

• RQ1 変分量子オートエナラーサーは、実際の物理的分離装置から得られる産業データを、古典的オートエナラーサーと同等の性能で、低次元の量子潜在空間に効果的に圧縮できるか？
• RQ2 圧縮された量子状態上でトレーニングされた量子分類器は、実際の産業データに適用された際、古典モデルと同等の分類精度を達成できるか？
• RQ3 近接未来の量子ハードウェアにおけるノイズや測定の確率的変動に対して、量子パイプラインはどれほど耐性があるか？
• RQ4 6対16のトレーニング可能なパラメータの大幅な削減を実現した場合、量子パイプラインは古典モデルと同等の性能を達成できるか？
• RQ5 実世界の産業データに適用した際、量子機械学習パイプラインは、現在利用可能なNISQデバイスで実行可能で実用的であるか？

主な発見

• 量子オートエナラーサーは平均再構成誤差が約5%に留まり、古典的オートエナラーサーと同等の性能を示した。
• 元の状態と復元された状態の間の量子忠実度が高く維持されたため、量子領域における入力データの効果的な圧縮と回復が確認された。
• シミュレーション環境下で1,000サンプルのテストセットに対して、量子分類器は87.4%の分類精度を達成し、正規化されたデータで古典的KNN分類器（89.7%）と同等の性能を示した。
• 実際のIBM量子ハードウェア（ibmqx2）では、標準偏差±1.3%を伴いながらも82.3%の精度を達成し、ハードウェアのノイズや測定誤差に対して高い耐性を示した。
• 量子パイプラインはたった6つのトレーニング可能なパラメータで実現可能であり、古典モデルの16パラメータと比較して顕著なパラメータ効率性を示した。
• これらの結果は、現在の量子ハードウェアを用いて実産業データに量子機械学習パイプラインを実際に適用可能であり、スケーラブルな産業用量子アプリケーションへの基盤的ステップを示している。