[論文レビュー] Approximate Quantum Random Access Memory Architectures

Koustubh Phalak, Junde Li+1 more|arXiv (Cornell University)|Oct 24, 2022

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本論文は、トレーニング可能な量子回路を用いて古典的データを重ね合わせ状態で格納・取得する近似型パラメトリック量子回路（PQC）ベースの量子ランダムアクセスメモリ（QRAM）を提案する。QNN+QRAMを用いたバイナリ分類では、6回目のエポックで収束が達成され、損失が0.53に低下するが、完全結合ニューラルネットワーク（15回目のエポック、損失0.89）に比べて高速な収束と低い損失を示す。高次元データ格納の性能向上のため、凝集型クラスタリングを前処理として導入することで性能が向上した。

ABSTRACT

Quantum supremacy in many applications using well-known quantum algorithms rely on availability of data in quantum format. Quantum Random Access Memory (QRAM), an equivalent of classical Random Access Memory (RAM), fulfills this requirement. However, the existing QRAM proposals either require qutrit technology and/or incur access challenges. We propose an approximate Parametric Quantum Circuit (PQC) based QRAM which takes address lines as input and gives out the corresponding data in these address lines as the output. We present two applications of the proposed PQC-based QRAM namely, storage of binary data and storage of machine learning (ML) dataset for classification.

研究の動機と目的

• NISQ時代の量子機械学習における効率的でスケーラブルな量子データロードの課題に対処するため、トレーニング可能な近似型QRAMアーキテクチャを提案すること。
• データ取得のためのQRAM統合により、量子ニューラルネットワーク（QNN）のトレーニングにおける収束速度の向上と一般化性能の改善を実現すること。
• バイナリデータ格納におけるQRAM性能の向上を図るため、ハミング距離の低減と正しく予測される確率の向上を目的として、凝集型クラスタリングを前処理として導入すること。
• アドレスラインおよびデータラインの数が増加するに従い、QRAMの正確性とスケーラビリティのトレードオフを評価すること。
• 特定の量子機械学習タスクにおいて、近似型QRAMが古典的データ埋め込みや完全結合ネットワークを上回ることを実証すること。

提案手法

• 提案されたQRAMは、入力アドレスを対応するデータ値にマップするトレーニング可能な量子回路としてのパラメトリック量子回路（PQC）を用いる。
• PQCは二段階のプロセスでトレーニングされる：まず補助PQCがQRAMのデータ格納を学習し、次に訓練済みQRAMをQNNの入力として用いて分類を行う。
• バイナリデータ格納のため、アドレス空間が小さい場合でも十分なトレーニングサンプルを得るために、データセットを複製して拡張してトレーニングを行う。
• 類似したデータポイントをグループ化することで、QRAMインスタンスの有効サイズを低減し、トレーニング効率を向上させる目的で、凝集型クラスタリングを前処理として適用する。
• 性能評価にはハミング距離（HD）と正しく予測された割合を用い、損失は100エポックにわたる平均二乗誤差として計算する。
• QRAMアーキテクチャは構造的に固定されており、本実装では段階的データ更新はサポートしない。

実験結果

リサーチクエスチョン

• RQ1 近似型PQCベースのQRAMは、古典的ニューラルネットワークや古典的データ埋め込みを用いたQNNに比べ、量子機械学習タスクでより速い収束を達成できるか？
• RQ2 アドレスラインおよびデータラインの数が増加するに従い、QRAMの性能はハミング距離および正しく予測される確率の観点からどのように低下するか？
• RQ3 凝集型クラスタリング前処理は、高次元バイナリデータ格納におけるQRAMの正確性と耐障害性をどの程度向上できるか？
• RQ4 QRAMの近似誤差とQNNの表現力の間にはどのようなトレードオフがあるか？特に、分類タスクでQRAMを用いる場合に。
• RQ5 本提案アーキテクチャは、キュートリットや複雑でエラーを起こしやすい回路を必要とせず、量子機械学習のための量子データロードを効果的にサポートできるか？

主な発見

• QRAM + QNNは6エポック目に100％の分類精度に達し、古典的埋め込みを用いたQNN（10エポック目）および完全結合ニューラルネットワーク（15エポック目）を上回った。
• QRAM + QNNの損失は0.53であり、完全結合ニューラルネットワーク（0.89）に比べ顕著に低く、古典的埋め込みを用いたQNN（0.48）と同等水準であった。
• バイナリデータ格納において、アドレスラインが2から9に増加するに従い、ハミング距離は0から3.97に上昇し、正しく予測される確率は100％から0.58％に低下した。
• 凝集型クラスタリング前処理を施した場合、アドレスライン9本の状態でハミング距離は3.97から2.17に低下し、正しく予測される確率は0.58％から10.1％に向上した。
• 損失曲線はクラスタリング処理により一貫した改善を示し、全アドレスライン数において平均二乗誤差が低く抑えられた。
• QRAMアーキテクチャは古典的モデルに比べて収束が早く、損失が低く抑えられており、表現学習における量子優位性の可能性を示唆している。