[論文レビュー] VQNet: Library for a Quantum-Classical Hybrid Neural Network

Zhaoyun Chen, Cheng Xue+2 more|arXiv (Cornell University)|Jan 26, 2019

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

VQNet は、古典的ディープラーニングパイプライン内での変分量子回路のエンドツーエンド微分可能トレーニングを可能にする、量子-古典ハイブリッドニューラルネットワークフレームワークです。自動微分およびバックプロパゲーションと統合された量子演算（qop および qop_pmeasure）を用いることで、勾配ベースの最適化をサポートし、非線形関数近似の高精度な実装を示しています。量子機械学習タスク（量子回路学習、VQE、QAOA、量子分類）において成功を収めています。

ABSTRACT

Deep learning is a modern approach to realize artificial intelligence. Many frameworks exist to implement the machine learning task; however, performance is limited by computing resources. Using a quantum computer to accelerate training is a promising approach. The variational quantum circuit (VQC) has gained a great deal of attention because it can be run on near-term quantum computers. In this paper, we establish a new framework that merges traditional machine learning tasks with the VQC. Users can implement a trainable quantum operation into a neural network. This framework enables the training of a quantum-classical hybrid task and may lead to a new area of quantum machine learning.

研究の動機と目的

• 古典的ディープラーニングフレームワークと変分量子回路を統合し、ハイブリッド量子-古典機械学習を実現すること。
• 古典的ディープラーニング環境における量子演算の自動微分およびバックプロパゲーションを可能にすること。
• 近い将来の量子ハードウェア上で、量子機械学習アルゴリズムのプロトタイピングとテストに適したスケーラブルで拡張可能なプラットフォームを提供すること。
• 標準的な最適化手法を用いて、量子回路をニューラルネットワーク内のトレーニング可能なレイヤーとして学習可能であることを実証すること。
• 将来的なハードウェアアクセラレーションを想定した、TensorFlowに類似したエコシステムの基盤を構築すること。

提案手法

• 期待値計算のための qop および確率測定のための qop_pmeasure の2つのコア量子演算を導入。両者ともパラメータシフト則を用いて微分可能である。
• 古典的計算グラフ内に量子回路を微分可能なオペレータとして埋め込み、古典的および量子コンponents間でのフォワードおよびバックワードパスを可能にした。
• トレーニング可能なパラメータを有するパラメトリック量子回路（アーサンツ）を用い、Adam やモーメンタム最適化法などの勾配ベース手法により最適化した。
• パラメータシフト則を用いて損失関数の量子回路パラメータに関する勾配を計算し、量子回路を介したバックプロパゲーションを可能にした。
• 量子回路をニューラルネットワーク内のレイヤーとして扱い、古典レイヤーと量子レイヤーを統合して共同トレーニングするハイブリッドモデルを構築した。
• さまざまな量子アルゴリズム（例：VQE、QAOA、量子分類器、量子回路学習）を統一フレームワーク内で統合可能なモジュラー設計を採用した。

実験結果

リサーチクエスチョン

• RQ1 変分量子回路は、自動微分を完全にサポートする古典的ディープラーニングフレームワークにシームレスに統合可能か？
• RQ2 ハイブリッドニューラルネットワーク環境において、標準的な勾配ベース最適化手法を用いて、量子演算を微分可能かつトレーニング可能にできるか？
• RQ3 VQNet は、複雑な非線形関数（例：x²、eˣ、sin(πx)、|x|）を近似するための量子回路を効果的にトレーニングできるか？
• RQ4 VQNet は、一貫性があり拡張可能なインターフェースを備えており、複数の量子機械学習アルゴリズム（例：VQE、QAOA、量子分類）をサポートできるか？
• RQ5 近い将来の量子ハードウェア上で、ハイブリッド学習タスクにおける VQNet の性能は、古典的ディープニューラルネットワークと比べてどの程度か？

主な発見

• VQNet は、フォワードおよびバックワード伝播を可能にする微分可能な量子演算（qop および qop_pmeasure）を成功裏に実装し、ハイブリッドモデルのエンドツーエンドトレーニングを実現した。
• フレームワークは、非線形関数の近似に向けた量子回路の正確なトレーニングを示しており、損失および予測プロットから、y = x²、y = eˣ、y = sin(πx)、y = |x| に対してほぼ完璧なフィットを達成した。
• すべてのテストされた関数近似タスクにおいて、200ステップのトレーニングでコスト関数が安定して収束し、モーメンタム最適化法による安定した最適化が確認された。
• VQNet は、VQE、QAOA、量子分類、量子回路学習など、多様な量子機械学習アルゴリズムの実装をサポートしており、一貫性があり再利用可能なコード構造を備えている。
• フレームワークは、古典的重み（coef）と量子回路パラメータ（theta）の共同最適化を可能にし、1つのトレーニングループ内でハイブリッドパラメータ更新の実現可能性を証明した。
• VQNet は拡張可能であり、ノイズのある量子シミュレータ、分散計算（GPU/TPU）、およびカスタム損失関数や最適化手法などの高レベルコンponentsへの将来的統合を想定した設計である。