[논문 리뷰] Out-of-distribution generalization for learning quantum dynamics

C. Matthias, Hsin-Yuan Huang외 6명|arXiv (Cornell University)|2022. 04. 21.

Gaussian Processes and Bayesian Inference인용 수 7

한 줄 요약

이 논문은 양자 머신 러닝에서 분포 외 일반화를 위한 최초의 이론적 프레임워크를 수립하며, 알려지지 않은 유니터리 변환을 학습할 때, 제품 상태에서 훈련된 양자 신경망이 높은 얽힘 상태로 일반화될 수 있음을 증명한다. 핵심 결과는 국소적으로 뒤섞인 분포에서 예측 오차 간의 완벽한 상관관계를 보이며, 이는 근접한 양자 하드웨어에서 최소한의 얽힌 훈련 데이터로도 양자 동역학을 효율적으로 학습할 수 있음을 시사한다.

ABSTRACT

Generalization bounds are a critical tool to assess the training data requirements of Quantum Machine Learning (QML). Recent work has established guarantees for in-distribution generalization of quantum neural networks (QNNs), where training and testing data are drawn from the same data distribution. However, there are currently no results on out-of-distribution generalization in QML, where we require a trained model to perform well even on data drawn from a different distribution to the training distribution. Here, we prove out-of-distribution generalization for the task of learning an unknown unitary. In particular, we show that one can learn the action of a unitary on entangled states having trained only product states. Since product states can be prepared using only single-qubit gates, this advances the prospects of learning quantum dynamics on near term quantum hardware, and further opens up new methods for both the classical and quantum compilation of quantum circuits.

연구 동기 및 목표

• 훈련 및 테스트 데이터 분포가 다를 경우 양자 머신 러닝의 일반화 이론에서 발생하는 핵심 격차를 해결하기 위해.
• 제한된 접근성으로 인해 얽힌 상태에 접근이 어려운 근접한 양자 하드웨어에서 알려지지 않은 유니터리 동역학을 효율적으로 학습하기 위해.
• 제품 상태에서 훈련하는 것으로도 높이 얽힌 테스트 상태에서 정확한 예측이 가능하다는 것을 증명하기 위해.
• 양자 유니터리 학습에서 분포 외 일반화에 대한 이론적 보장을 수립하기 위해.

제안 방법

• 두 개의 국소적으로 뒤섞인 양자 상태 군집 간의 예측 오차 상관관계에 대한 이론적 분석.
• 어느 두 개의 국소적으로 뒤섞인 분포에 대해 평균 예측 오차가 작은 상수 인자까지 완벽하게 상관됨을 증명.
• 내부 분포 일반화 경계와 오차 상관관계 결과를 조합하여 분포 외 일반화 보장을 도출.
• 제품 상태에서 훈련된 양자 신경망을 통한 유니터리 동역학 학습 작업에 프레임워크를 적용.
• 짧은 시간 진동을 가진 헤이젠베르크 스핀 체인의 수치적 검증: 제품 상태 훈련 데이터 사용.
• 최적화 경로와 리스크 분석을 활용하여 이론적 경계를 초월하는 경험적 성능을 입증.

실험 결과

연구 질문

• RQ1 알려지지 않은 유니터리 변환을 학습할 때, 제품 상태에서 훈련된 양자 신경망이 얽힌 상태로 일반화될 수 있는가?
• RQ2 양자 머신 러닝에서 분포 외 일반화에 대해 어떤 이론적 보장이 존재하는가?
• RQ3 국소적으로 뒤섞인 분포에서의 예측 오차는 어떻게 상관관계가 있으며, 이는 일반화에 어떤 의미를 갖는가?
• RQ4 예를 들어 제품 상태와 같은 제한된 클래스의 상태에서 훈련하는 것으로도 더 넓은 클래스(예: 하르-랜덤 상태)에서의 정확한 예측을 얻을 수 있는가?
• RQ5 양자 동역학 학습에 대한 경험적 결과가 이론적 일반화 경계를 얼마나 초월하는가?

주요 결과

• 어느 두 개의 국소적으로 뒤섞인 상태 군집에 대해 평균 예측 오차가 작은 상수 인자까지 완벽하게 상관됨으로써 이론적 일반화 보장을 가능하게 한다.
• 다항 수준의 제품 상태에서만 훈련된 QNN도 완전히 무작위이자 높은 얽힘 상태로 일반화될 수 있다.
• 경험적 결과는 일반화 오차가 훈련 데이터 크기 N에 대해 이론적 상한선 𝒪(N⁻¹/²)보다 더 빠르게 감소함을 보여준다.
• t=5일 때, N=15인 최적화 런 중 12.5%가 근사적으로 완벽한 학습(비용 ≈ 리스크 ≈ 0)을 달성했으며, N=3일 경우 이 비율은 7%에 그쳤다.
• 최적화가 수렴하지 않더라도 이론적 경계는 그대로 유지되며, 경험적 성능는 항상 최악의 이론적 예측을 초월한다.
• 헤이젠베르크 스핀 체인의 동역학에 대한 수치 실험은 제품 상태 훈련이 하르-랜덤 상태에서의 분포 외 예측을 정확하게 가능하게 한다는 것을 확인한다.