[논문 리뷰] Concentration of Data Encoding in Parameterized Quantum Circuits

Guangxi Li, Ruilin Ye외 2명|arXiv (Cornell University)|2022. 06. 16.

Quantum Computing Algorithms and Architecture인용 수 13

한 줄 요약

이 논문은 변분 양자 알고리즘을 위한 파arameterized 양자 회로(PQC)에서 데이터 인코딩의 영향을 조사하며, 깊이가 깊어질수록 PQC가 평균적으로 최대 혼합 상태로 수렴하는 지수적 속도를 증명한다. 이 수렴 현상은 상태 간 구별 가능성과 분류기 성능을 심각하게 제한하며, 기존의 표준 PQC 기반 인코딩 전략을 사용하는 양자 머신러닝 접근법의 근본적 한계를 드러낸다.

ABSTRACT

Variational quantum algorithms have been acknowledged as a leading strategy to realize near-term quantum advantages in meaningful tasks, including machine learning and combinatorial optimization. When applied to tasks involving classical data, such algorithms generally begin with quantum circuits for data encoding and then train quantum neural networks (QNNs) to minimize target functions. Although QNNs have been widely studied to improve these algorithms' performance on practical tasks, there is a gap in systematically understanding the influence of data encoding on the eventual performance. In this paper, we make progress in filling this gap by considering the common data encoding strategies based on parameterized quantum circuits. We prove that, under reasonable assumptions, the distance between the average encoded state and the maximally mixed state could be explicitly upper-bounded with respect to the width and depth of the encoding circuit. This result in particular implies that the average encoded state will concentrate on the maximally mixed state at an exponential speed on depth. Such concentration seriously limits the capabilities of quantum classifiers, and strictly restricts the distinguishability of encoded states from a quantum information perspective. We further support our findings by numerically verifying these results on both synthetic and public data sets. Our results highlight the significance of quantum data encoding in machine learning tasks and may shed light on future encoding strategies.

연구 동기 및 목표

• 파arameterized 양자 회로(PQC)에서의 데이터 인코딩이 변분 양자 알고리즘 성능에 미치는 영향을 체계적으로 분석하기.
• PQC 기반 데이터 인코딩이 양자 분류기의 상태 간 구별 가능성과 학습 가능성에 미치는 제약 조건을 특정하고 정량화하기.
• 회로 폭과 깊이에 기반하여 평균 인코딩 상태와 최대 혼합 상태 사이의 편차에 대한 이론적 경계를 제공하기.
• 합성 및 실세계 데이터셋에서 이론적 발견을 수치적으로 검증하기.

제안 방법

• 트레이스 거리와 신뢰도 경계를 사용하여 평균 인코딩 상태와 최대 혼합 상태 사이의 양자 발산에 대한 이론적 분석.
• 큐비트 수, 회로 깊이, 폭에 의존하는 양자 발산에 대한 명시적 상한을 유도하기.
• 측도 집중 기법을 적용하여 깊이가 증가할수록 인코딩된 상태가 최대 혼합 상태로 지수적으로 수렴하는 것을 보여주기.
• 양자 신경망(QNN) 학습 과정에서 기울기를 제한하기 위해 파라미터 이동 규칙을 적용하기.
• 합성 및 공개 데이터셋에서 이론적 예측의 상태 수렴과 기울기 억제를 검증하기 위한 수치 실험 수행.
• 집중 부등식을 사용한 확률적 분석을 통해 깊은 인코딩 회로에서 큰 기울기 발생 가능성을 제한하기.

실험 결과

연구 질문

• RQ1 파arameterized 양자 회로의 깊이가 평균 인코딩된 양자 상태가 최대 혼합 상태에 얼마나 가까이 수렴하는지에 미치는 영향은 무엇인가?
• RQ2 PQC를 통한 데이터 인코딩이 양자 머신러닝 작업에서 양자 상태의 구별 가능성에 얼마나 제한을 가하는가?
• RQ3 회로 하이퍼파rameter에 기반하여 인코딩된 상태와 최대 혼합 상태 사이의 양자 발산에 대한 이론적 경계를 도출할 수 있는가?
• RQ4 상태 수렴 현상은 양자 분류기의 학습 가능성과 성능에 어떤 영향을 미치는가?
• RQ5 회로 깊이와 QNN 최적화 과정에서 기울기의 크기 사이의 관계는 무엇인가?

주요 결과

• 합리적인 가정 하에, 인코딩 회로의 깊이가 증가할수록 평균 인코딩 상태가 최대 혼합 상태로 지수적으로 빠르게 수렴한다.
• 큐비트 수가 고정된 경우, 평균 인코딩 상태와 최대 혼합 상태 사이의 양자 발산은 깊이에 따라 지수적으로 감소하는 표현식으로 상한이 존재한다.
• 인코딩 깊이가 (n + 4)ln(2) + 2ln(1/ε) 비례하는 임계값을 초과할 경우, 손실 함수의 QNN 파라미터에 대한 기울기는 높은 확률로 Kε 이하로 제한되며, 이는 기울기 소실을 의미한다.
• 수렴 효과로 인해 인코딩된 양자 상태는 양자 정보 관점에서 구별 불가능해지며, 이는 분류 작업에서의 활용도를 심각하게 제한한다.
• 합성 및 공개 데이터셋에 대한 수치 결과는 깊은 PQCs에서 이론적 예측된 상태 수렴과 기울기 억제를 확인한다.
• 이러한 발견은 현재 PQC 기반 데이터 인코딩 전략의 근본적 한계를 드러내며, 상태의 구별 가능성을 유지하기 위해 재설계된 인코딩 방법이 필요함을 시사한다.