[논문 리뷰] VQE-generated quantum circuit dataset for machine learning

Akimoto Nakayama, Kosuke Mitarai외 3명|arXiv (Cornell University)|2023. 02. 20.

Quantum Computing Algorithms and Architecture인용 수 9

한 줄 요약

논문은 변분형 양자 고유값기 (VQE)에 의해 최적화된 양자 회로의 데이터셋을 제시하여 양자 회로의 clustering 및 분류를 가능하게 하며, 시뮬레이터와 실제 양자 하드웨어 모두에서 학습을 시연합니다.

ABSTRACT

Quantum machine learning has the potential to computationally outperform classical machine learning, but it is not yet clear whether it will actually be valuable for practical problems. While some artificial scenarios have shown that certain quantum machine learning techniques may be advantageous compared to their classical counterpart, evidence does not yet suggest that quantum machine learning has surpassed conventional approaches in dealing with standard classical datasets, such as MNIST dataset. In contrast, dealing with quantum data, such as quantum states or circuits, may be the task where we can benefit from quantum methods. Therefore, it is important to develop practically meaningful quantum datasets for which we expect quantum methods to be superior. In this paper, we propose a machine learning task that is likely to soon arise in the real world: clustering and classification of quantum circuits. We provide a dataset of quantum circuits optimized by the variational quantum eigensolver. We utilized six common types of Hamiltonians in condensed matter physics, with a range of 4-20 qubits, and applied ten different ansatz with varying depths (ranging from 3 to 32) to generate a quantum circuit dataset of six distinct classes, each containing 300 samples. We show that this dataset can be easily learned using quantum methods. In particular, we demonstrate a successful classification of our dataset using real four-qubit devices available through IBMQ. By providing a setting and an elementary dataset where quantum machine learning is expected to be beneficial, we hope to encourage and ease the advancement of the field.

연구 동기 및 목표

• 가까운 미래의 양자 클라우드 서비스에서 발생할 수 있는 실용적 양자 ML 과제를 동기화합니다(회로의 클러스터링/분류).
• 여러 해밀토니안과 어안즈타의 VQE로 생성된 elementary하고 라벨링된 양자 회로 데이터셋을 제공합니다.
• 양자 방법이 시뮬레이션과 실제 디바이스 설정 모두에서 데이터셋을 학습할 수 있음을 시연합니다.
• 양자 회로 컴파일러/트랜스파일러 및 향후 데이터 기반 분석의 벤치마크로서의 잠재적 사용을 강조합니다.

제안 방법

• VQE로 여섯 개의 해밀토니안의 기저상태를 이용해 회로를 최적화하고 어안즈타 유형 여섯 가지 및 회로 깊이 D를 3에서 32까지로 하는 1800개의 회로 데이터셋을 구성합니다.
• 각 큐비트 수(N=4,8,12,16,20)마다 해밀토니안에 대응하는 300개의 회로를 6개의 라벨로 제공합니다.
• 수렴 기준이 충족될 때까지 정확한(노이즈 없는) 기대값으로 파라미터를 최적화하기 위해 BFGS를 사용합니다.
• 회로를 QASM 형식으로 표현하고 클러스터링/분류를 위해 출력상태의 fidelity |<0|U_m^† U_{m'}|0>|^2를 평가합니다.
• 데이터를 t-SNE로 시각화하고 k-medoids 및 수정된 란드 지수(ARI)로 클러스터링을 평가합니다.
• 회로-파라미터 특성으로 커널 SVM을 이용한 분류를 시연하고 실제 하드웨어(4-큐빗 IBMQ)와 노이즈 시뮬레이터에서의 실현 가능성을 보입니다.

실험 결과

연구 질문

• RQ1 다른 해밀토니안에 최적화된 양자 회로를 출력상태의 유사성에 따라 클러스터링하거나 분류할 수 있습니까?
• RQ2 제안된 VQE 생성 회로 데이터셋이 양자 방법으로 학습 가능하고 고전 ML 기준선에 대해 도전적인가요?
• RQ3 실제 양자 하드웨어에서 데이터셋을 분류하거나 클러스터링하는 정도는 어느 정도이며 노이즈가 성능에 미치는 영향은 무엇인가요?
• RQ4 데이터셋이 양자 회로 설계, 컴파일 및 클라우드 공급자 분석의 실용 벤치마크로 사용될 수 있나요?

주요 결과

• 이상적 양자 컴퓨터에서 N=4,8,12,16,20 큐비트에 대해 비지도 클러스터링이 쉬우며 ARI 값은 각각 0.992, 0.968, 0.927, 0.883, 0.692입니다.
• 4-, 8-, 12-, 16-큐비트 데이터셋은 높은 클러스터링 품질을 보이나 20-큐비트 데이터는 부분집합 5가 어렵기 때문에 harder합니다.
• 실제 하드웨어에서 4-큐비트 클러스터링은 설정상 완벽에 가깝게 시연됩니다.
• 20-큐비트 데이터에 대한 노이즈 모델 시뮬레이션은 ARI 0.720으로, 현실적 노이즈 하에서 더 큰 큐비트 수로 학습이 가능함을 시사합니다.
• 표준 피처 맵을 사용한 전통 ML은 전반적으로 약하고, 회로-파라미터 피처를 사용하는 SVM은 해밀토니안-어안즈타 데이터에서만 약 80% 정확도를 달성하고 그렇지 않으면 거의 무작위에 가깝습니다.
• 데이터셋은 여러 큐비트 수와 라벨로 QASM 형식으로 GitHub에 공개되어 있습니다.