[论文解读] Concentration of Data Encoding in Parameterized Quantum Circuits

Guangxi Li, Ruilin Ye+2 more|arXiv (Cornell University)|Jun 16, 2022

Quantum Computing Algorithms and Architecture被引用 13

一句话总结

本文研究了参数化量子线路（PQCs）中数据编码对变分量子算法的影响，证明了深度PQCs会导致编码的量子态以指数速率向最大混合态集中，且该速率随线路深度增加而加剧。这种集中现象严重限制了态的可区分性与分类器性能，揭示了当前基于标准PQC编码策略的量子机器学习方法存在根本性局限。

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.

研究动机与目标

• 系统分析参数化量子线路（PQCs）中的数据编码如何影响变分量子算法的性能。
• 识别并量化基于PQC的数据编码对量子分类器可区分性与可训练性的限制。
• 基于线路宽度与深度，推导平均编码态与最大混合态之间偏离程度的理论边界。
• 在合成数据集与真实世界数据集上数值验证这些理论发现。

提出的方法

• 利用迹距离与保真度边界，对平均编码态与最大混合态之间的量子分歧进行理论分析。
• 推导出依赖于量子比特数量、线路深度与宽度的量子分歧的显式上界。
• 应用测度集中技术，证明随着深度增加，编码态会指数收敛至最大混合态。
• 使用参数偏移规则，对量子神经网络（QNNs）训练过程中的梯度进行边界约束。
• 在合成数据集与公开数据集上进行数值实验，以验证关于态集中与梯度抑制的理论预测。
• 使用集中不等式进行概率分析，以边界化深度编码线路中出现大梯度的可能性。

实验结果

研究问题

• RQ1 参数化量子线路的深度如何影响平均编码量子态与最大混合态之间的接近程度？
• RQ2 通过PQCs进行数据编码在多大程度上限制了量子机器学习任务中量子态的可区分性？
• RQ3 能否基于线路超参数（如宽度与深度）推导出编码态与最大混合态之间量子分歧的理论边界？
• RQ4 态集中如何影响量子分类器的可训练性与性能？
• RQ5 线路深度与QNN优化过程中梯度大小之间存在何种关系？

主要发现

• 在合理假设下，随着编码线路深度的增加，平均编码态会以指数速率快速收敛至最大混合态。
• 对于固定数量的量子比特，平均编码态与最大混合态之间的量子分歧存在一个随线路深度呈指数衰减的上界表达式。
• 当编码深度超过与 (n + 4)ln(2) + 2ln(1/ε) 成比例的阈值时，损失函数关于QNN参数的梯度以高概率被限制在Kε以内，表明梯度消失。
• 集中效应使得编码的量子态在量子信息视角下无法区分，严重限制了其在分类任务中的实用性。
• 在合成数据集与公开数据集上的数值结果均证实了理论预测的态集中与梯度抑制现象在深度PQCs中的存在。
• 研究结果揭示了当前基于PQC的数据编码策略的根本性局限，提示需要重新设计编码方法以保持态的可区分性。