[論文レビュー] Support Vector Machines on Noisy Intermediate Scale Quantum Computers

Jiaying Yang, Awan, Ahsan Javed+1 more|arXiv (Cornell University)|Sep 26, 2019

Quantum Computing Algorithms and Architecture参考文献 18被引用数 12

ひとこと要約

この論文は、ノイジィな中規模量子（NISQ）コンピュータ向けに最適化された量子サポートベクターマシン（QSVM）フレームワークを提案している。線形分離可能な2次元データセットに特化した前処理ユニット、量子トモグラフィーを回避するための古典的結果読み出し手法、深さを短縮したHHL回路を特徴としている。実際のIBMQX2ハードウェア上で98–99.5%の分類精度を達成し、先行研究と比較して回路深さを低減し、忠実度を78.4%向上させた。

ABSTRACT

Support vector machine algorithms are considered essential for the implementation of automation in a radio access network. Specifically, they are critical in the prediction of the quality of user experience for video streaming based on device and network-level metrics. Quantum SVM is the quantum analogue of the classical SVM algorithm, which utilizes the properties of quantum computers to speed up the algorithm exponentially. In this work, we derive an optimized preprocessing unit for a quantum SVM that allows classifying any two-dimensional datasets that are linearly separable. We further provide a result readout method of the kernel matrix generation circuit to avoid quantum tomography that, in turn, reduces the quantum circuit depth. We also derive a quantum SVM system based on an optimized HHL quantum circuit with reduced circuit depth.

研究の動機と目的

• 限られたキュービット数と高いノイズを持つNISQデバイス上で量子SVMを実装する課題に対処すること。
• 実際の量子ハードウェア上で小規模な学習データに対して回路深さを低減し、忠実度を向上させること。
• リソース集約的な量子トモグラフィーに依存せずに、線形分離可能な2次元データセットの正確な分類を可能にすること。
• 現在のノイジィな量子プロセッサで高い精度を維持できる実用的なQSVMシステムを設計すること。

提案手法

• 任意の線形分離可能な2次元データセットを、原点を通る決定境界を持つQSVMに適した量子状態にマッピングする最適化された前処理ユニットを導出する。
• カーネル行列生成回路のための古典的結果読み出し手法を導入し、量子状態トモグラフィーの必要性を排除し、回路深さを低減する。
• NISQデバイスでのパフォーマンス向上を目的に、深さを短縮（20から7に）した再設計されたHHL量子回路を提案する。
• 浅い回路に適した新たな定式化を用いたトレーニングデータオラクルを用いてカーネル行列を生成する。
• 最適化された前処理、カーネル生成、HHL回路を統合した完全なQSVMパイプラインを構築する。
• シミュレートされた結果と実際の量子デバイスの確率分布の間のジェンセン・シャノン発散を用いて忠実度を評価する。

実験結果

リサーチクエスチョン

• RQ1 限られたキュービットのコherencyと高いノイズを持つ現在のNISQハードウェアで、実行可能で正確なQSVMシステムを構築できるか？
• RQ2 QSVMの結果読み出しにおいて、量子トモグラフィーを回避することで回路深さを低減し、スケーラビリティを向上させることは可能か？
• RQ3 HHL最適化による回路深さの低減は、実際の量子プロセッサ上での分類精度にどの程度の向上効果をもたらすか？
• RQ4 事前にデータ構造の仮定を必要としない前処理ユニットを、任意の線形分離可能な2次元データセットに適用可能に設計できるか？
• RQ5 回路深さは、実際のNISQデバイス上での量子分類結果の忠実度にどのように影響するか？

主な発見

• 最適化されたQSVMシステムは、ローカルシミュレータ上での最適化ベースラインを用いて、アイrisデータセットで98%、OCRデータセットで98%の精度を達成した。
• IBMQX2量子プロセッサ上では、最適化されたHHL回路がOCRデータセットで99.5%、アイrisデータセットで98%の精度を達成した。
• 最適化されたHHL回路は、実デバイスと理想シミュレータの確率分布間のジェンセン・シャノン発散を、ベースライン回路と比較して78.4%低減した。
• 古典的結果読み出し手法は量子トモグラフィーを効果的に回避し、より高速で信頼性の高い分類結果を実現した。
• HHL部の回路深さは20から7に短縮され、現在のNISQハードウェアとの相性が著しく向上した。
• 深さの短縮と古典的読み出しは、実際の量子デバイス上でのQSVMパフォーマンス向上に有効であることが実証された。