[論文レビュー] Variational quantum generators: Generative adversarial quantum machine learning for continuous distributions

Jonathan Romero, Alán Aspuru‐Guzik|arXiv (Cornell University)|Jan 3, 2019

Quantum Computing Algorithms and Architecture被引用数 8

ひとこと要約

本論文は、変分量子回路を用いて連続的な古典的確率分布を学習する、ハイブリッド量子古典的生成モデルを提案する。量子エンコーダーと、生成的対抗学習により最適化されるトレーニング可能な変分回路を用いることで、目標とする分布と一致するサンプルを効果的に生成することができ、近い将来の量子デバイスにおける実現可能性を示している。

ABSTRACT

We propose a hybrid quantum-classical approach to model continuous classical probability distributions using a variational quantum circuit. The architecture of the variational circuit consists of two parts: a quantum circuit employed to encode a classical random variable into a quantum state, called the quantum encoder, and a variational circuit whose parameters are optimized to mimic a target probability distribution. Samples are generated by measuring the expectation values of a set of operators chosen at the beginning of the calculation. Our quantum generator can be complemented with a classical function, such as a neural network, as part of the classical post-processing. We demonstrate the application of the quantum variational generator using a generative adversarial learning approach, where the quantum generator is trained via its interaction with a discriminator model that compares the generated samples with those coming from the real data distribution. We show that our quantum generator is able to learn target probability distributions using either a classical neural network or a variational quantum circuit as the discriminator. Our implementation takes advantage of automatic differentiation tools to perform the optimization of the variational circuits employed. The framework presented here for the design and implementation of variational quantum generators can serve as a blueprint for designing hybrid quantum-classical architectures for other machine learning tasks on near-term quantum devices.

研究の動機と目的

• 近い将来の量子ハードウェア上で連続的な古典的確率分布を学習できる量子生成モデルの開発。
• 生成的対抗学習フレームワーク内で、変分量子回路と古典的または量子的ディスクラミネーターを統合すること。
• ハイブリッド量子古典的アーキテクチャにおいて、自動微分ツールを用いた効率的なパラメータ最適化を可能にすること。
• NISQデバイス上で実用的な機械学習タスクに適用可能な、量子変分生成器の実現可能性を示すこと。

提案手法

• パラメータ化されたゲートを介して、古典的確率変数を量子状態にエンコードするための変分量子回路を生成器として使用する。
• 生成器のパラメータは、実データサンプルと生成されたサンプルを区別するディスクラミネーターによって最適化される。
• ディスクラミネーターは、古典的ニューラルネットワークまたは変分量子回路として実装可能であり、完全に量子的または量子古典ハイブリッドなディスクラミネーターを実現できる。
• 状態準備後に、事前に定義された観測量の期待値を測定することで、サンプルが生成される。
• 変分回路のパラメータを最適化するための勾配を効率的に計算するために、自動微分が用いられる。
• フレームワークは、ニューラルネットワークなどの古典的モデルとの統合を可能にする、古典的後処理をサポートしている。

実験結果

リサーチクエスチョン

• RQ1 変分量子回路は、連続的な古典的確率分布を効果的にモデル化できるか？
• RQ2 敵対的学習によって訓練された量子生成器は、ターゲット確率分布をどれほど正確に再現できるか？
• RQ3 ディスクラミネーターとして古典的ニューラルネットワークと量子回路を使用した場合の性能差は何か？
• RQ4 自動微分は、ハイブリッド量子古典的環境下で量子生成器のパラメータを効果的に最適化できるか？
• RQ5 このフレームワークは、NISQデバイス上での他の量子機械学習タスクにどの程度拡張可能か？

主な発見

• 量子生成器は、古典的および量子的ディスクラミネーターの両方を用いて、ターゲットの連続的確率分布を効果的に学習した。
• 自動微分を用いた敵対的最適化により、効果的なトレーニングとサンプル生成が達成された。
• 古典的後処理の統合により、量子生成器の柔軟性と性能が向上した。
• 限られたキュービット数とコherエンス時間を持つ近い将来の量子デバイスにおいて、生成的モデリングの実現可能性が示された。
• 生成的モデリングを越えて、ハイブリッド量子古典的機械学習のスケーラブルな青写真としての役割を果たす。
• この手法は、変分量子回路が複雑な連続的分布を効果的にエンコードおよび生成できることを示しており、特定のベンチマークでは古典的生成モデルと同等の性能を発揮した。