[論文レビュー] VSQL: Variational Shadow Quantum Learning for Classification

Guangxi Li, Zhixin Song+1 more|arXiv (Cornell University)|Dec 15, 2020

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本論文は、古典的シャドウを用いて量子データから局所的特徴を抽出する変分シャドウ量子回路を活用する、ハイブリッドな量子古典的フレームワークVSQLを提案する。局所的キュービット部分空間に焦点を当て、回路の深さを低減することで、パラメータ数とゲート数を著しく削減し、バーレンプレートの問題を緩和し、従来の変分量子分類器よりも高いテスト精度を達成する。特に二値の手書き数字認識において顕著な性能向上を示す。

ABSTRACT

Classification of quantum data is essential for quantum machine learning and near-term quantum technologies. In this paper, we propose a new hybrid quantum-classical framework for supervised quantum learning, which we call Variational Shadow Quantum Learning (VSQL). Our method in particular utilizes the classical shadows of quantum data, which fundamentally represent the side information of quantum data with respect to certain physical observables. Specifically, we first use variational shadow quantum circuits to extract classical features in a convolution way and then utilize a fully-connected neural network to complete the classification task. We show that this method could sharply reduce the number of parameters and thus better facilitate quantum circuit training. Simultaneously, less noise will be introduced since fewer quantum gates are employed in such shadow circuits. Moreover, we show that the Barren Plateau issue, a significant gradient vanishing problem in quantum machine learning, could be avoided in VSQL. Finally, we demonstrate the efficiency of VSQL in quantum classification via numerical experiments on the classification of quantum states and the recognition of multi-labeled handwritten digits. In particular, our VSQL approach outperforms existing variational quantum classifiers in the test accuracy in the binary case of handwritten digit recognition and notably requires much fewer parameters.

研究の動機と目的

• 変分量子機械学習における高コストなリソース要件とバーレンプレート問題を、局所的量子特徴を活用することで解決すること。
• 限られたキュービット接続性とコherー二ンスを有するNISQ時代の量子ハードウェアに適したスケーラブルな量子分類フレームワークを開発すること。
• 古典的シャドウが、量子学習のための効果的で低コストな特徴表現として機能できることを示すこと。
• 量子回路を局所的部分空間に制限することで、パラメータ数を減らし、ノイズを低減し、分類精度を高めること。
• 量子状態分類およびマルチラベル付き手書き数字認識タスクにおいて、手法の有効性を検証すること。

提案手法

• 本手法は、特定の局所的キュービット部分空間にのみ作用するパラメトリックなシャドウ量子回路（VSQL回路）を用い、局所的オブザーバブルの測定により古典的特徴を抽出する。
• 古典的シャドウを補助情報として用い、完全な状態トモグラフィーを実施せずに、効率的な特徴抽出を可能にする。
• 抽出された特徴は、最終的な分類のため、完全に接続されたニューラルネットワークによって処理され、量子特徴抽出と古典的学習を統合する。
• VSQLフレームワークは、ゲート数を最小限に抑えた変分回路を採用しており、ノイズと回路の深さを低減することでバーレンプレート問題を緩和する。
• 本手法はハードウェア効率的であり、接続性制約を尊重し、必要な entangling ゲート数を削減する。
• 主要構成要素には、シャドウ回路 $ U(\bm{\theta}) $、局所的オブザーバブル測定 $ o_i $、パラメータ $ \bm{w}, b $ を持つ古典的ニューラルネットワークが含まれる。

実験結果

リサーチクエスチョン

• RQ1 古典的シャドウは、ハイブリッドな量子古典的学習フレームワークにおいて、量子分類のための特徴表現として効果的に使用できるか？
• RQ2 量子回路を局所的部分空間に制限することで、パラメータ数とゲート数を削減しつつ、分類性能を維持または向上させることができるか？
• RQ3 VSQLフレームワークは、変分量子学習におけるバーレンプレート問題を回避できるか？
• RQ4 VSQLは、従来の変分量子分類器と比較して、テスト精度とパラメータ効率の面で優れているか？
• RQ5 VSQLは、手書き数字認識タスクのような未学習の量子データに対しても一般化性能を示せるか？

主な発見

• VSQLは、二値の手書き数字認識タスクにおいて、従来の変分量子分類器を上回るテスト精度を達成し、顕著に少ないパラメータ数で高い性能を発揮する。
• 局所的キュービット部分空間に注目することで、量子ゲート数とパラメータ数を削減し、ノイズ低減とトレーニングの容易さを実現する。
• VSQLフレームワークは、回路の深さを低く保ち、局所的エンタングルメントを採用することで、バーレンプレート問題を効果的に回避する。
• 理論的分析により、1つの局所的シャドウ回路に1つのRyゲートを用いることで、非直交な2キュービット状態を正確に区別可能であることが証明された。
• 数値実験により、VSQLが未学習データに対しても良好に一般化することが確認され、量子状態分類および数字認識タスクにおいて優れた識別能力を示した。
• 本フレームワークは、最小限のリソース使用で高い性能を達成しており、限られたキュービット接続性とコherー二ンスを有する近未来的な量子デバイスに適している。