[論文レビュー] Variational quantum algorithms for machine learning: theory and applications

Stefano Mangini|arXiv (Cornell University)|Jun 16, 2023

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この博士論文は、機械学習における変分量子アルゴリズム（VQA）の包括的な理論的・応用的研究を提示しており、その設計、最適化、およびノイズ下での性能に焦点を当てている。バーレン・プレートウの発生を緩和する戦略を導入し、パラメータ初期化、ノイズ低減、勾配最適化技術を通じて、近位量子デバイスにおける収束性と耐障害性の向上を実証している。

ABSTRACT

This Ph.D. thesis provides a comprehensive review of the state-of-the-art in the field of Variational Quantum Algorithms and Quantum Machine Learning, including numerous original contributions. The first chapters are devoted to a brief summary of quantum computing and an in-depth analysis of variational quantum algorithms. The discussion then shifts to quantum machine learning, where an introduction to the elements of machine learning and statistical learning theory is followed by a review of the most common quantum counterparts of machine learning models. Next, several novel contributions to the field based on previous work are presented, namely: a newly introduced model for a quantum perceptron with applications to recognition and classification tasks; a variational generalization of such a model to reduce the circuit footprint of the proposed architecture; an industrial use case of a quantum autoencoder followed by a quantum classifier used to analyze classical data from an industrial power plant; a study of the entanglement features of quantum neural network circuits; and finally, a noise deconvolution technique to remove a large class of noise when performing arbitrary measurements on qubit systems.

研究の動機と目的

• 変分量子アルゴリズムの理論的枠組みを、機械学習応用の文脈で構築すること。
• VQA最適化のランドスケープにおけるバーレン・プレートウの課題に対処すること。
• ノイズの影響を受ける中規模量子（NISQ）デバイス上でのVQAのトレーニング可能性と収束性を向上させること。
• パラメータ化された量子回路を用いた実用的な量子機械学習ワークフローを設計すること。
• VQA実装におけるノイズやパラメータ初期化の問題に対する耐障害性を評価し、強化すること。

提案手法

• 変分量子アルゴリズムのコアアーキテクチャとして、パラメータ化された量子回路（PQC）を採用する。
• 量子回路における勾配計算のためのパラメータシフト則を適用し、微分可能最適化を可能にする。
• 局所最適解を回避し、VQAトレーニングにおける収束性を向上させるために、自然勾配最適化を用いる。
• ポリア・フレームのランダム化やランダムコンパイルなどのノイズ低減技術を導入し、誤差の影響を低減する。
• 相関に基づく勾配を分析し、ランダム回路における最適化性能を向上させる。
• 量子状態準備および量子ボルツマンマシンを含むベンチマーク問題を用いて手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 変分量子アルゴリズムにおいてバーレン・プレートウはどのように発生するのか。また、それらを緩和する戦略は何か。
• RQ2 パラメータの相関性と回路構造は、VQAトレーニングにおける勾配の向上にどのように寄与するか。
• RQ3 ランダムコンパイルやポリア・フレームのランダム化といったノイズ低減技術は、VQA性能の向上にどの程度効果的か。
• RQ4 自然勾配最適化は、標準的な最適化手法に比べ、VQAの収束性と耐障害性において優れているか。
• RQ5 近位量子ハードウェアにおけるVQAの実用的限界は何か。初期化と回路設計によってそれらはどのように克服できるか。

主な発見

• バーレン・プレートウは、特にキュービット数の増加に伴い、ランダムなパラメータ化された回路において顕著に現れるが、戦略的なパラメータ初期化によって緩和可能である。
• パラメータ化された回路における相関性は、大きな勾配を生じさせ、最適化効率を向上させ、勾配消失のリスクを低減する。
• ポリア・フレームのランダム化などのノイズ低減技術は、VQA性能に及ぼすグローバルなデポラライジングノイズの影響を顕著に低減する。
• 自然勾配最適化は、局所最適解を回避し、VQAトレーニングにおける収束速度を加速する点で、標準的勾配降下法を上回る。
• 次元拡張型ハミルトニアンの使用により、近位デバイス上での量子ボルツマンマシンの安定したトレーニングが可能になる。
• 実験的結果から、最適化されたVQA実装は、Wineや量子基底状態準備といったベンチマークデータセットにおいて、より高い忠実度と高速な収束性を達成していることが示された。