[論文レビュー] Quantum Neural Networks: Concepts, Applications, and Challenges

Yunseok Kwak, Won Joon Yun+2 more|arXiv (Cornell University)|Aug 2, 2021

Quantum Computing Algorithms and Architecture参考文献 39被引用数 4

ひとこと要約

この論文は、変分量子回路（VQCs）に基づく量子ニューラルネットワーク（QNNs）の基礎と、量子ディープラーニングへの応用を包括的に概説している。QNNsがパラメータ化された量子ゲートと測定に基づく最適化を用いて分類や関数近似などのタスクを実行する仕組みを説明するとともに、バーレンプレートゥ（barren plateaus）、NISQ時代のハードウェア制限、古典的モデルに対する明確な量子優位性の必要性といった主な課題を特定している。

ABSTRACT

Quantum deep learning is a research field for the use of quantum computing techniques for training deep neural networks. The research topics and directions of deep learning and quantum computing have been separated for long time, however by discovering that quantum circuits can act like artificial neural networks, quantum deep learning research is widely adopted. This paper explains the backgrounds and basic principles of quantum deep learning and also introduces major achievements. After that, this paper discusses the challenges of quantum deep learning research in multiple perspectives. Lastly, this paper presents various future research directions and application fields of quantum deep learning.

研究の動機と目的

• 量子ニューラルネットワーク（QNNs）の基礎的理解とディープラーニングの原則への統合を提供すること。
• ハイブリッド量子古典マシンラーニングアルゴリズムの実現に寄与する変分量子回路（VQCs）の役割を検討すること。
• 勾配消失（バーレンプレートゥ）やNISQデバイスの制限、検証可能な量子優位性の必要性を含む、量子ディープラーニングにおける重要な課題を特定・分析すること。
• IoT、ミリ波ネットワーク、ブロックチェーン、動画ストリーミングなど、新興分野におけるQNNsの実用的応用を探索すること。
• 性能と近い未来のハードウェア制約の両立を図るアルゴリズム設計の可能性と未解決問題を提示することで、今後の研究を導くこと。

提案手法

• パラメータ化された回転ゲートとエンタングルゲートを用いた変分量子回路（VQCs）を活用し、量子ニューラルネットワークを実装する。
• 古典的データをアモイチュード符号化または角度符号化を用いて、qubit状態に符号化するための量子状態準備を採用する。
• パウリ演算子（例：⟨Z⟩）の期待値を評価することで、測定に基づく最適化を適用し、古典的出力を抽出する。
• 古典的バックプロパゲーションに類似したハイブリッド量子古典トレーニングループにおいて、勾配降下法を用いてパラメータ最適化を実施する。
• 特定のタスクにおけるユニバーサル近似性と計算速度向上の可能性を理論的分析することで、量子優位性を分析する。
• 近い未来のNISQデバイスにおける回路の深さ、キュービット数、誤り率を評価することで、ハードウェア制約を考慮する。

Figure 1: Illustration of QNN with the input $|\psi\rangle$ , the parameter $\theta$ and linear entanglement structure.

実験結果

リサーチクエスチョン

• RQ1 量子重ね合わせともつれを用いて、人工ニューラルネットワークの機能を模倣できるように量子回路をどのように構築できるか？
• RQ2 現在のノイズの多い中規模量子（NISQ）デバイスにおいて、量子ニューラルネットワークのスケーラビリティと効率性を阻害する主な要因は何か？
• RQ3 どのような状況下で量子ニューラルネットワークが古典的ディープラーニングモデルに比べて計算上の優位性を示せるか？
• RQ4 バーレンプレートゥはどのようにして量子ニューラルネットワークに現れ、その影響を軽減する戦略は何か？
• RQ5 通信およびネットワークシステム分野における量子ディープラーニングの最も有望な応用分野は何か？

主な発見

• 変分量子回路（VQCs）に基づく量子ニューラルネットワーク（QNNs）は、ユニバーサル近似性のおかげで、任意の連続関数を近似可能である。
• キュービット数が増加するにつれて、指数関数的に消失する勾配が生じるバーレンプレートゥ領域がますます顕著になり、大規模なQNNsのトレーニングにおいて大きな課題となる。
• 数十個のノイズの多いキュービットと高い誤り率を示す現在のNISQデバイスでは、特に多キュービットエンタングルゲートに依存する複雑な量子回路の実装が制限される。
• 理論的潜在能力は高いが、検証可能な量子優位性を示した変分量子アルゴリズムはまだ少数にとどまり、実際の性能向上を確保するための慎重なアルゴリズム設計の必要性が強調される。
• IoT、キャッシュ、動画スケジューリング、ブロックチェーンなどの通信ネットワーク分野における応用は、分散計算の高速化が可能なため、QNNsにとって有望なユースケースである。
• QNNsには従来の活性化関数が存在しないため、勾配崩壊を避けるための代替戦略が不可欠であり、これは古典的ディープニューラルネットワークとは異なるトレーニングダイナミクスを特徴づける。

Figure 2: Illustration of QCNN with the input $|\psi\rangle$ , the parameter $\theta$ with single convolution and pooling layer.