[論文レビュー] Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks

Kamila Zaman, Tasnim Ahmed+4 more|arXiv (Cornell University)|Feb 16, 2024

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

この論文は、量子特有のハイパーパラメータ（量子ビット数、回路深さ、エンタングルメント、エンコーディング、ショット、観測量）がHQNNsの画像分類における精度と学習時間に与える影響を、MNISTのサブセット上でQiskitとPennyLaneのシミュレーションを用いて分析する。

ABSTRACT

In current noisy intermediate-scale quantum devices, hybrid quantum-classical neural networks (HQNNs) represent a promising solution that combines the strengths of classical machine learning with quantum computing capabilities. Compared to classical deep neural networks (DNNs), HQNNs present an additional set of hyperparameters, which are specific to quantum circuits. These quantum-specific hyperparameters, such as quantum circuit depth, number of qubits, type of entanglement, number of shots, and measurement observables, can significantly impact the behavior of the HQNNs and their capabilities to learn the given task. In this paper, we investigate the impact of these variations on different HQNN models for image classification tasks, implemented on the PennyLane framework. We aim to uncover intuitive and counter-intuitive learning patterns of HQNN models within granular levels of controlled quantum perturbations, to form a sound basis for their correlation to accuracy and training time. The outcome of our study opens new avenues for designing efficient HQNN algorithms and builds a foundational base for comprehending and identifying tunable hyperparameters of HQNN models that can lead to useful design implementation and usage.

研究の動機と目的

• 量子コンポーネントが古典的ニューラルネットワークを補強できるNISQ時代におけるHQNNの研究を促進する。
• 量子ビット数と深さを超える広範な量子ハイパーパラメータを特定し、それらが性能に与える影響を評価する。
• 量子ハイパーパラメータが精度と学習効率に与える影響を評価する体系的なフレームワークを開発する。
• パラメータの相互作用を理解することによる効率的なHQNNアーキテクチャ設計のガイドラインを提供する。

提案手法

• 量子レイヤーの後に古典レイヤーが続くHQNNアーキテクチャを定義し、入力データにはangle encodingを用いる。
• レイヤー深さ、量子ビット数、エンタングルメント種別、エンコーディング、ショット数、測定観測量など、量子ハイパーパラメータを変化させる。
• 3つの回路タイプ（Basic Entangling、Strongly Entangling、Random Circuit）を用い、4-, 9-, 16-qubit構成を評価する。
• 統一された古典的最適化設定で、MNISTベースの4クラスサブセット（0–3）を用いて、精度と学習時間への影響を測定する。
• 一貫した学習設定でPennyLaneとQiskitバックエンド間の性能を比較する。
• 古典的学習曲線と量子ハイパーパラメータの摂動との相関を分析する。

Figure 1. Overview of Our Contributions

実験結果

リサーチクエスチョン

• RQ1 単純なビット数と深さを超える量子ハイパーパラメータが、画像分類タスクにおけるHQNNの精度にどのように影響するか。
• RQ2 異なる量子回路構成における回路深さ、ビット幅と学習時間の関係はどうなるか。
• RQ3 観測量とサンプリングショットが、回路タイプごとにHQNNの性能と学習効率に与える影響はどうか。
• RQ4 ランダム、基本エンタングリング、強くエンタングリングな回路は、量子ハイパーパラメータに対して異なる感度を示すか。
• RQ5 より効率的なHQNNを設計するために、量子ハイパーパラメータを選択するガイドラインを確立できるか。

主な発見

• 量子ビット数を増やすことは、回路深さに関係なく、ランダム回路の精度を一般に向上させる。
• 基本的および強くエンタングリングな回路では、より多くのビット数が単調に精度を向上させるわけではなく、より深い回路は性能を低下させる可能性があり、16-qubit回路はバレーン・プレートゥーの可能性により最悪となる。
• 学習時間は回路深さと複雑さとともに増加し、9から16ビットに移るとより大きく跳ね上がる；16ビットのランダム回路は、ゲート数が少ないため基本/強エンタングリングより学習が速い。
• 観測量は浅い深さで精度に影響を与え、PauliYはランダム、基本、強エンタングリング回路でPauliXまたはPauliZより高い精度を示すことが多いが、深さ6では効果が小さくなる。
• サンプリングショットを100から1024に増やすと、基本および強エンタングリング回路の精度が向上する一方、ランダム回路ではほとんど影響がない。学習時間はショット数より深さにスケールする。

Figure 2. General Architecture of QNN and HQNN