[論文レビュー] Scalable Quantum Neural Networks for Classification

Jindi Wu, Zeyi Tao+1 more|arXiv (Cornell University)|Aug 4, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文では、現在の量子機械学習におけるハードウェア制限を克服するため、複数の小さな量子デバイスにデータ処理を分散させるスケーラブルな量子ニューラルネットワーク（SQNN）を提案している。並列な量子特徴抽出器と中央の量子予測器を用いることで、標準的なQNNと同等の精度を達成しながら、追加の量子リソースに応じて効果的にスケーリング可能であり、量子ビット容量の増加に伴い顕著な性能向上を示している。

ABSTRACT

Many recent machine learning tasks resort to quantum computing to improve classification accuracy and training efficiency by taking advantage of quantum mechanics, known as quantum machine learning (QML). The variational quantum circuit (VQC) is frequently utilized to build a quantum neural network (QNN), which is a counterpart to the conventional neural network. Due to hardware limitations, however, current quantum devices only allow one to use few qubits to represent data and perform simple quantum computations. The limited quantum resource on a single quantum device degrades the data usage and limits the scale of the quantum circuits, preventing quantum advantage to some extent. To alleviate this constraint, we propose an approach to implementing a scalable quantum neural network (SQNN) by utilizing the quantum resource of multiple small-size quantum devices cooperatively. In an SQNN system, several quantum devices are used as quantum feature extractors, extracting local features from an input instance in parallel, and a quantum device works as a quantum predictor, performing prediction over the local features collected through classical communication channels. The quantum feature extractors in the SQNN system are independent of each other, so one can flexibly use quantum devices of varying sizes, with larger quantum devices extracting more local features. Especially, the SQNN can be performed on a single quantum device in a modular fashion. Our work is exploratory and carried out on a quantum system simulator using the TensorFlow Quantum library. The evaluation conducts a binary classification on the MNIST dataset. It shows that the SQNN model achieves a comparable classification accuracy to a regular QNN model of the same scale. Furthermore, it demonstrates that the SQNN model with more quantum resources can significantly improve classification accuracy.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）デバイスにおける量子ニューラルネットワークのスケーラビリティのボトルネックを解消すること。
• 量子符号化手法におけるデータ表現能力とハードウェアの実現可能性のトレードオフを克服すること。
• 単一の大規模な量子プロセッサを必要とせずに大規模な量子機械学習を可能にすること。
• 量子優位性を維持しながら、古典的計算のオーバーヘッドを最小限に抑える分散型量子アーキテクチャを設計すること。
• モジュール型で協働する量子デバイスが、MNISTのような高次元データ上で正確な分類器をトレーニングできることを実証すること。

提案手法

• 高次元入力データを複数のセグメントに分割し、個々の小さな量子デバイスの能力に収まるようにすること。
• 別々の量子デバイスを量子特徴抽出器として使用し、割り当てられたデータセグメントから局所的な特徴を変動型量子回路（VQC）を用いて抽出すること。
• 古典的通信チャネルを介して、特徴抽出器から得た量子特徴を中央の量子予測器に送信すること。
• 1つの量子デバイスを量子予測器として使用し、統合された局所的特徴に基づいて最終的な分類を実行すること。
• モジュール型のアプローチでSQNNアーキテクチャを実装し、1つの量子デバイスが全ネットワークをホスト可能にすること。
• 確率的勾配降下法（SGD）を用いて古典的にパラメータ更新を計算するハイブリッド量子古典最適化ループでモデルをトレーニングすること。

実験結果

リサーチクエスチョン

• RQ1 複数の小さな量子デバイスから構成される分散型量子アーキテクチャは、大規模な量子ニューラルネットワークを効果的にシミュレートできるか？
• RQ2 同等の合計量子リソースを有する標準的なQNNと比較して、SQNNの分類精度はどの程度か？
• RQ3 追加の量子リソースが増えるにつれて、SQNNの性能はどの程度スケーリング可能か？
• RQ4 SQNNは、モジュール型でスケーラブルな形で1つの量子デバイスに実装可能か？
• RQ5 SQNNアプローチは、量子優位性を損なう可能性のある古典的前処理や特徴削減技術の必要を回避できるか？

主な発見

• MNISTデータセット上で評価した結果、SQNNモデルは同規模の標準QNNと同等の分類精度を達成した。
• システム全体で使用される量子ビット数を増やすことで、分類精度が顕著かつ測定可能な程度に向上した。
• SQNNフレームワークにより、個々のデバイスがリソース制限を受けても、大規模な量子ニューラルネットワークのトレーニングが可能になった。
• モジュール型設計のおかげで、1つの小さな量子デバイスが全SQNNアーキテクチャをホスト可能となり、既存のハードウェアでもスケーラビリティを実現した。
• データ前処理のための追加の古典的計算を回避することで、量子高速化の可能性を保持した。
• 複数の量子デバイスを協働的に使用することで、シミュレーション環境でも実現可能性と性能向上が示された。