[論文レビュー] Storage properties of a quantum perceptron

Aikaterini, Gratsea+2 more|arXiv (Cornell University)|Nov 16, 2021

Neural Networks and Applications被引用数 4

ひとこと要約

本稿は、統計力学およびスピンガラス理論を用いて、特定の量子パーセプトロンアーキテクチャの記憶容量を調査し、その最大記憶容量が量子ビット数に比例して増加し、古典的対応物と比較して顕著に向上していることを示している。解析から、同じ制約下で量子干渉と重ね合わせが、古典的パーセプトロンよりも高いパターン保持能力を実現することが明らかになった。

ABSTRACT

Driven by growing computational power and algorithmic developments, machine learning methods have become valuable tools for analyzing vast amounts of data. Simultaneously, the fast technological progress of quantum information processing suggests employing quantum hardware for machine learning purposes. Recent works discuss different architectures of quantum perceptrons, but the abilities of such quantum devices remain debated. Here, we investigate the storage capacity of a particular quantum perceptron architecture by using statistical mechanics techniques and connect our analysis to the theory of classical spin glasses. We focus on a specific quantum perceptron model and explore its storage properties in the limit of a large number of inputs. Finally, we comment on using statistical physics techniques for further studies of neural networks.

研究の動機と目的

• タッキーノら（2019）が提唱した量子パーセプトロンモデルの最大記憶容量を、特定の学習ルールに依存せずに特定すること。
• 古典的ニューラルネットワークに用いられたガーデナーのプログラムを、量子パーセプトロンアーキテクチャに応用すること。
• 重ね合わせやもつれといった量子効果が、古典的限界を超えて記憶容量を向上させる役割を解明すること。
• 量子パーセプトロン設計とスピンガラスモデル、統計場理論を結びつける理論的枠組みを確立すること。
• モンテカルロシミュレーションと解析的近似を用いて、量子パーセプトロンと古典的パーセプトロンの記憶容量を比較すること。

提案手法

• 重みを確率変数とみなして、入力パターンと重み配置の重なりを分析することで、ガーデナーのプログラムを用いて量子パーセプトロンの記憶容量を計算する。
• 入力状態を計算基底状態 $|m-1\rangle$ に写像する制御ユニタリ操作 $V_{\vec{w}}$ を持つ量子パーセプトロンモデルを採用し、ドット積 $\vec{i}^\mu \cdot \vec{w}$ に従って出力を決定する。
• 読み出しキュービットを備えたマルチ制御NOTゲートを用いて、出力振幅 $|c_{m-1}|^2 = |\vec{i}^\mu \cdot \vec{w}|^2$ を測定可能にし、測定に基づく出力読み出しを可能にする。
• レプリカ場理論と鞍点近似を適用して自由エネルギーと有効ポテンシャルを導出し、記憶容量 $\alpha_c$ の式を得る。
• 古典的および量子パーセプトロンの両方についてモンテカルロシミュレーションを実施し、ランダムな入力パターンと重み配置のサンプリングにより、平均記憶容量 $\alpha(N_s) = \langle P \rangle / N_s$ を推定する。
• 数値シミュレーションでは、古典的モデルでは $N_s = N$、量子モデルでは $N_s = m$ を使用し、$10000$ 個のサンプルと $m = 8, 16, 32$ を用いてスケーラビリティと誤差を評価する。

実験結果

リサーチクエスチョン

• RQ1 ヒルバート空間次元に応じて、量子パーセプトロンが格納可能なパターン数の最大値はどのように変化するか？
• RQ2 イジング重みを有する古典的パーセプトロンと比較して、量子パーセプトロンの記憶容量はどの程度向上しているか？
• RQ3 量子干渉と重ね合わせが、古典的限界を超えて記憶容量をどの程度向上させるか？
• RQ4 量子パーセプトロンの臨界記憶容量 $\alpha_c$ は何か？また、しきい値 $\kappa$ にどのように依存するか？
• RQ5 古典的スピンガラスに用いられる統計力学フレームワークを、量子ニューラルネットアーキテクチャの解析に拡張可能か？

主な発見

• 量子パーセプトロンの記憶容量は、量子ビット数 $m$ に比例して増加し、臨界容量 $\alpha_c$ は $\kappa = 0$ のとき最大値 $1/8$ に達する。
• 有効ポテンシャルの解析的式から、$\alpha_c(\kappa=0) = 1/8$ が導かれる。これは条件 $\alpha_c(2+\kappa)^2/2 = 1$ から得られる。
• モンテカルロシミュレーションにより、特に $m$ が大きい場合に、量子パーセプトロンが古典的対応物よりもはるかに多くのパターンを格納することが確認された。これは量子重ね合わせと干渉によるものである。
• $\alpha_c$ はしきい値 $\kappa$ の増加に伴い減少する。これは、入力パターンと重み配置の重なり領域が小さくなるためである。
• モデルは、量子パーセプトロンが平均して $P \approx \alpha_c \cdot m$ 個のパターンを格納できることを示しており、$\alpha_c$ は量子コherー二ンとパターン重なりの相互作用によって決定される。
• $m = 8, 16, 32$ の数値結果から、量子パーセプトロンの記憶容量は古典モデルよりも速やかに増加することが示され、記憶容量における量子優位性が示唆された。