[論文レビュー] TensorFlow Quantum: A Software Framework for Quantum Machine Learning

Michael Broughton, Guillaume Verdon+27 more|arXiv (Cornell University)|Mar 6, 2020

Quantum Computing Algorithms and Architecture参考文献 13被引用数 311

ひとこと要約

TFQは、CirqとTensorFlowを統合し、古典的または量子データ上でのハイブリッド量子‑古典モデルの迅速なプロトタイピングと訓練を可能にするオープンソースライブラリで、量子回路を通じた微分可能な逆伝播を実現します。

ABSTRACT

We introduce TensorFlow Quantum (TFQ), an open source library for the rapid prototyping of hybrid quantum-classical models for classical or quantum data. This framework offers high-level abstractions for the design and training of both discriminative and generative quantum models under TensorFlow and supports high-performance quantum circuit simulators. We provide an overview of the software architecture and building blocks through several examples and review the theory of hybrid quantum-classical neural networks. We illustrate TFQ functionalities via several basic applications including supervised learning for quantum classification, quantum control, simulating noisy quantum circuits, and quantum approximate optimization. Moreover, we demonstrate how one can apply TFQ to tackle advanced quantum learning tasks including meta-learning, layerwise learning, Hamiltonian learning, sampling thermal states, variational quantum eigensolvers, classification of quantum phase transitions, generative adversarial networks, and reinforcement learning. We hope this framework provides the necessary tools for the quantum computing and machine learning research communities to explore models of both natural and artificial quantum systems, and ultimately discover new quantum algorithms which could potentially yield a quantum advantage.

研究の動機と目的

• 量子データと古典データのためのハイブリッド量子‑古典モデルの迅速なプロトタイピングを動機づけ、可能にする。
• TensorFlow/Keras 内で量子モデルを設計・訓練するための高レベル抽象化を提供する。
• CirqとTensorFlowを橋渡しし、微分可能な量子回路とバックプロパゲーションをサポートする。
• 高性能な量子回路シミュレーションと、さまざまな応用分野での実用的デモンストレーションを提供する。
• 高度な量子学習タスクと潜在的な量子利点の探求を促進する。

提案手法

• 微分可能性、回路のバッチ処理、実行バックエンドの無偏性、ミニマリズムという四つの設計原則を導入する。
• 量子回路と演算子をテンソルとして表現し、シミュレーションまたはハードウェア実行のためにTensorFlowのオペレーションへ供給する。
• 微分可能な期待値計算と、量子回路向けの複数の勾配法（有限差分、パラメータシフト、確率的手法）を提供する。
• ネイティブ高性能シミュレータ（qsim）を活用し、tfq.convert_to_tensorによるCirqオブジェクトの統合でシームレスなグラフ構築を実現する。
• TFQスタック内で、回路構築からバックプロパゲーションまでの最小限のハイブリッドモデルとスケーラブルなワークフローを示す。

実験結果

リサーチクエスチョン

• RQ1 古典的なMLフレームワーク内で、パラメータ化された量子回路の微分可能なバッチ処理実行を可能にするソフトウェアスタックはどのように設計できるか。
• RQ2 Cirqベースの量子回路コンセプトを効果的にTensorFlowと橋渡しし、訓練と評価のハイブリッド量子‑古典モデルをサポートできるか。
• RQ3 TFQを量子データとハイブリッド学習タスクに適用する実用的な応用とワークフローは何か。
• RQ4 勾配推定器、レイヤーごとの訓練など、ハイブリッド量子‑古典モデルの訓練課題を緩和する戦略は何か。

主な発見

• TFQはTensorFlow/Keras内で、ハイブリッドな量子‑古典モデルを通じた微分可能な逆伝播を可能にする。
• バッチ処理された回路実行、自動化された期待値推定、および量子回路のさまざまな勾配計算をサポートする。
• TFQは高性能な量子回路シミュレータ（qsim）とハードウェアに依存しない実行バックエンドのオプションを提供する。
• このフレームワークは、量子データ分類、量子制御、QAOA様問題などの幅広い応用や、メタ学習や強化学習といった高度なタスクを可能にする。
• TFQアーキテクチャは、既存のCirqとTensorFlowの機能を活用して、ユーザーの新たな学習コストを最小限に抑えることを強調する。