[論文レビュー] QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity

Samuel A. Stein, Betis Baheri+6 more|arXiv (Cornell University)|Mar 21, 2021

Quantum Computing Algorithms and Architecture参考文献 38被引用数 16

ひとこと要約

QuClassiは、量子状態の重ね合わせ度を活用したハイブリッド量子古典的ディープニューラルネットワークアーキテクチャを提案する。少ないキュービットでデータを符号化し、量子微分関数による最適化を実施することで、多値分類タスクにおいてQuantumFlow比で最大203.00%高い精度を達成するとともに、古典的ネットワーク比でパラメータを97.37%削減し、IBM-QやIonQプラットフォームを含む実際の量子ハードウェア上でも最先端の量子モデルを上回る性能を示した。

ABSTRACT

In the past decade, remarkable progress has been achieved in deep learning related systems and applications. In the post Moore's Law era, however, the limit of semiconductor fabrication technology along with the increasing data size have slowed down the development of learning algorithms. In parallel, the fast development of quantum computing has pushed it to the new ear. Google illustrates quantum supremacy by completing a specific task (random sampling problem), in 200 seconds, which is impracticable for the largest classical computers. Due to the limitless potential, quantum based learning is an area of interest, in hopes that certain systems might offer a quantum speedup. In this work, we propose a novel architecture QuClassi, a quantum neural network for both binary and multi-class classification. Powered by a quantum differentiation function along with a hybrid quantum-classic design, QuClassi encodes the data with a reduced number of qubits and generates the quantum circuit, pushing it to the quantum platform for the best states, iteratively. We conduct intensive experiments on both the simulator and IBM-Q quantum platform. The evaluation results demonstrate that QuClassi is able to outperform the state-of-the-art quantum-based solutions, Tensorflow-Quantum and QuantumFlow by up to 53.75% and 203.00% for binary and multi-class classifications. When comparing to traditional deep neural networks, QuClassi achieves a comparable performance with 97.37% fewer parameters.

研究の動機と目的

• 既存の量子機械学習モデルが多値分類において直面する高コストなキュービット数およびパラメータ要件の制限を克服すること。
• 少ないキュービット数と効率的な学習を実現しながらも高い精度を維持するスケーラブルな量子ニューラルネットワークアーキテクチャの開発。
• IBM-QやIonQを含む実量子プロセッサ上で、最先端の量子および古典的モデルと比較して優れた性能を示すことを実証すること。
• ハイブリッド量子古典フレームワークに量子状態の重ね合わせ度を統合することで、ディープラーニングにおける量子高速化の可能性を検証すること。
• 近い将来の量子ハードウェアを用いて10クラスのデータセットで高精度な分類を実現可能な汎用的アーキテクチャの提供。

提案手法

• 古典的データをキュービット数を削減したパラメータ化された量子回路を用いて量子状態に符号化するハイブリッド量子古典アーキテクチャを採用。
• 量子微分関数を用いて勾配を計算し、量子ハードウェア上でバックプロパゲーションによるパrameter最適化を実行。
• 量子状態の重ね合わせ度を指標として用い、出力される量子状態の最適化と分類性能の向上を実現。
• 量子シミュレータ上で反復的に学習を実施し、その後Microsoft Azure Quantum経由でIBM-QやIonQなどの実量子プラットフォームに展開。
• 量子回路構造および損失関数を適切に拡張することで、バイナリ分類および多値分類の両方をサポート。
• 実験では、ノイズの多い中規模量子（NISQ）デバイスでの安定性を確保するため、1エポックあたり8000ショットを測定。

実験結果

リサーチクエスチョン

• RQ1 量子ニューラルネットワークアーキテクチャは、古典的モデルと比較して顕著に少ないキュービット数とパラメータ数で多値分類タスクにおいて高い精度を達成できるか？
• RQ2 ハイブリッド量子古典ディープラーニングシステムにおいて、量子状態の重ね合わせ度の使用が分類性能にどのように寄与するか？
• RQ3 実際の量子ハードウェア上での既存の量子機械学習フレームワーク（TensorFlow Quantum や QuantumFlow）と比較して、QuClassiはどの程度優れた性能を示すか？
• RQ4 ハードウェア固有のノイズおよびトポロジーが、実用的な展開における量子ニューラルネットワークの性能に及ぼす影響は何か？
• RQ5 近い将来の量子デバイスを用いて、MNISTのような複雑な10クラス分類データセットで、競争力のある精度を達成できるか？

主な発見

• 実量子ハードウェアおよびシミュレータ上でのバイナリ分類において、QuClassiはTensorFlow Quantumを最大53.75%上回る精度を達成。
• 多値分類タスクにおいて、QuClassiはQuantumFlow比で203.00%の性能向上を示し、複雑なタスクにおける優位性を実証。
• IBM-Q Londonを用いたIrisデータセットでは96.15%の精度を達成し、シミュレータ結果に非常に近く、ハードウェアノイズに対しても頑健であることが示された。
• 4次元MNISTデータセットでは、QuClassi-SがIBM-Q Romeで95.98%の精度を達成し、シミュレーション結果から僅か0.2%のずれにとどまり、実環境展開における高い忠実度を示した。
• IonQのトラップドアイオントラッププラットフォームでは、3,6構成で80.00%の精度を達成し、回路の深さが低く、SWAPゲートを必要としないため、IBM-Q Cairo（72.00%）を上回った。
• QuClassiは、古典的ディープニューラルネットワークと比較して、最大97.37%のパラメータ削減を実現しながらも、同等の性能を維持しており、その効率性が顕著に示された。