[논문 리뷰] Equivariant Quantum Graph Circuits

Ákos Péter Mernyei, Konstantinos Meichanetzidis외 1명|arXiv (Cornell University)|2021. 12. 10.

Quantum Computing Algorithms and Architecture인용 수 10

한 줄 요약

이 논문은 그래프 구조 데이터를 위한 강력한 관계적 인도적 편향을 지닌 파arameterized 양자 회로인 등변 양자 그래프 회로(EQGCs)를 소개한다. EH-QGCs 및 EDU-QGCs와 같은 하위클래스가 유한한 그래프 위의 함수에 대해 보편 근사기능을 갖는다는 것을 증명하며, 기존의 고전적 GNN보다 뛰어난 표현 능력과 바란 플레이트au 문제 없이 안정적인 성능을 보인다.

ABSTRACT

We investigate quantum circuits for graph representation learning, and propose equivariant quantum graph circuits (EQGCs), as a class of parameterized quantum circuits with strong relational inductive bias for learning over graph-structured data. Conceptually, EQGCs serve as a unifying framework for quantum graph representation learning, allowing us to define several interesting subclasses which subsume existing proposals. In terms of the representation power, we prove that the studied subclasses of EQGCs are universal approximators for functions over the bounded graph domain. This theoretical perspective on quantum graph machine learning methods opens many directions for further work, and could lead to models with capabilities beyond those of classical approaches. We empirically verify the expressive power of EQGCs through a dedicated experiment on synthetic data, and additionally observe that the performance of EQGCs scales well with the depth of the model and does not suffer from barren plateu issues.

연구 동기 및 목표

• 그래프 구조 데이터를 위한 강력한 인도적 편향을 지닌 통합된 프레임워크를 개발하는 것.
• 그래프의 대칭성을 존중하는 등변성 양자 회로를 정의하고 특성화하여, 노드 레이블 재할당에 대한 순열 등변성을 보장하는 것.
• 유한한 그래프 위에서 핵심 EQGC 하위클래스의 보편 근사 능력을 증명하여 고전적 모델에 비해 이론적으로 열등함을 확립하는 것.
• 합성 데이터에서 EQGC의 표현 능력을 경험적으로 검증하여, 기존 MPNN가 구분하지 못하는 그래프 쌍을 식별할 수 있음을 보여주는 것.
• 회로 깊이 증가에 따라 EQGC의 확장성과 바란 플레이트au 문제 부재를 입증하는 것.

제안 방법

• 노드 순열에 대해 등변성을 보장하는 일반적인 양자 그래프 학습 프레임워크로 Equivariant Quantum Graph Circuits (EQGCs)를 제안한다.
• 기존 제안들을 통합하는 두 가지 핵심 하위클래스인 등변 해밀토니안 QGCs (EH-QGCs)와 등변으로 대각화 가능한 유니터리 QGCs (EDU-QGCs)를 도입한다.
• EDU-QGCs가 유한한 그래프 위에서 보편 근사기능을 갖는 것으로 증명된 랜덤 노드 특징을 갖춘 MPNN에 해당함을 통해 이론적 보편성을 확립한다.
• 노드당 한 큐비트씩 사용하는 텐서 곱 힐베르트 공간 표현을 사용하여 그래프 상태를 $\mathbb{C}^{2^n}$에 인코딩하고, 순열 등변 유니터리를 적용한다.
• 군 이론적 추론을 활용하여 등변 유니터리 공간의 차원을 특성화하고, $n$이 증가함에 따라 표현력이 무한히 증가함을 보여준다.
• 합성 그래프 데이터셋을 사용하여 비이sov머픽 그래프의 식별 능력을 테스트하고, EQGCs를 고전적 MPNN과 비교한다.

실험 결과

연구 질문

• RQ1 그래프 구조 데이터에 내재된 순열 대칭성을 존중하는 파arameterized 양자 회로를 설계할 수 있는가?
• RQ2 EQGC의 특정 하위클래스가 유한한 그래프 위의 함수에 대해 보편 근사 기능을 달성하는가?
• RQ3 EQGC의 표현 능력은 고전적 그래프 신경망, 특히 MPNN에 비해 어떻게 비교되는가?
• RQ4 회로 깊이 증가에 따라 EQGC의 성능이 바란 플레이트au 문제로 인해 떨어지는가?
• RQ5 표준 MPNN가 구분하지 못하는 그래프 쌍을 EQGCs가 식별할 수 있는가?

주요 결과

• EDU-QGCs와 EH-QGCs는 보편적인 근사기능을 갖는 것으로 입증되었으며, 이는 이론적으로 보편성을 확립한다.
• EQGCs의 표현 능력은 MPNN보다 뛰어나며, 기존 MPNN가 식별하지 못하는 그래프 쌍을 식별할 수 있음으로써 이를 입증한다.
• EQGCs는 깊이 증가에 따라 잘 확장되며, 바란 플레이트au 문제를 보이지 않아 안정적인 학습 동역학을 보인다.
• 등변 유니터리 공간의 차원은 $n$이 증가함에 따라 무한히 증가하며, 이는 높은 표현 능력을 나타낸다.
• $\textsf{EU}_{2}^{n,+}$의 차원에 대한 닫힌 표현식을 유도하여 $\frac{1}{6}n(n+1)(n+5)$로 표현하였으며, 이는 무한한 표현력의 존재를 확인한다.
• 이 프레임워크는 기존의 양자 그래프 학습 제안들을 통합하고 일반화하는 통합적 시각을 제공한다.