[논문 리뷰] Entangled Datasets for Quantum Machine Learning

Louis Schatzki, Andrew Arrasmith외 2명|arXiv (Cornell University)|2021. 09. 08.

Quantum Computing Algorithms and Architecture참고 문헌 79인용 수 28

한 줄 요약

이 논문은 변동적인 다부분 얽힘을 가진 양자 상태 데이터셋 NTangled를 소개하고, 양자 신경망으로 생성하며, 얽힘 기반 분류 작업에서 QML 모델을 벤치마크한다. 또한 하드웨어 효율적 회로에서 확장 가능하고 깊이가 다른 얽힌 상태 데이터셋을 제시하고 다부분 얽힘 상태를 생성하는 방법을 제시한다.

ABSTRACT

High-quality, large-scale datasets have played a crucial role in the development and success of classical machine learning. Quantum Machine Learning (QML) is a new field that aims to use quantum computers for data analysis, with the hope of obtaining a quantum advantage of some sort. While most proposed QML architectures are benchmarked using classical datasets, there is still doubt whether QML on classical datasets will achieve such an advantage. In this work, we argue that one should instead employ quantum datasets composed of quantum states. For this purpose, we introduce the NTangled dataset composed of quantum states with different amounts and types of multipartite entanglement. We first show how a quantum neural network can be trained to generate the states in the NTangled dataset. Then, we use the NTangled dataset to benchmark QML models for supervised learning classification tasks. We also consider an alternative entanglement-based dataset, which is scalable and is composed of states prepared by quantum circuits with different depths. As a byproduct of our results, we introduce a novel method for generating multipartite entangled states, providing a use-case of quantum neural networks for quantum entanglement theory.

연구 동기 및 목표

• 양자 데이터셋을 사용하여 QML 모델을 벤치마크하고 잠재적으로 양자 우위를 달성해야 한다고 주장한다.
• varying multipartite entanglement를 가진 양자 상태 데이터셋 NTangled를 소개하고 이를 QNN으로 어떻게 생성하는지 보여준다.
• 얽힘을 대상 라벨로 사용하여 감독 학습 분류 작업에서 QML 모델을 벤치마크한다.
• 다른 깊이를 가진 하드웨어 효율적 양자 회로에 의해 생성된 확장 가능한 얽힌 상태 데이터셋을 제안한다.
• 다부분 얽힌 상태를 생성하는 실용적인 방법을 제공하고 이를 얽힘 이론과 연결한다.

제안 방법

• 얽힘에 기반하여 양자 상태를 라벨로 분류하는 감독(QML) 프레임워크를 정의한다.
• 타깃 concentratable entanglement(CE) 값을 갖는 상태를 생성하도록 QNN을 훈련시킨다.
• CE와 잠재적으로 n-tangle 척도를 사용하여 생성된 상태를 학습하고 평가한다.
• 세 가지 생성자 QNN 안사츠(HWE, SEA, CONV)와 그 깊이를 탐구한다.
• 원하는 CE를 강제하고 추가 항으로 상태 유형(W vs GHZ)을 편향시키도록 하는 손실 함수를 제안한다.
• TensorFlow Quantum/Cirq 및 Pennylane를 사용한 시뮬레이션으로 학습과 일반화를 보여준다.

실험 결과

연구 질문

• RQ1 양자 데이터셋이 고전 데이터의 임베딩 없이 QML 모델의 학습 및 벤치마킹을 가능하게 할 수 있는가?
• RQ2 QNN을 훈련시켜 지정된 다부분 얽힘 척도로 양자 상태를 생성할 수 있는가?
• RQ3 다른 생성자 QNN 안사츠와 깊이가 생성되는 얽힘 상태의 질과 유형에 어떤 영향을 미치는가?
• RQ4 QML 모델을 사용하여 얽힘 수준별로 양자 상태를 높은 정확도로 분류하는 것이 가능한가?
• RQ5 얽힘 기반 데이터셋이 하드웨어 효율적 회로 깊이에서 확장 가능한 벤치마크를 제공하는가?

주요 결과

• NTangled 데이터셋은 타깃 CE 값을 갖는 상태를 생성하도록 훈련된 QNN에 의해 생성될 수 있다.
• 다른 QNN 안사츠(HWE, SEA, CONV)는 깊이와 학습 입력(기저 상태 대 곱 상태)에 따라 다양한 성능을 보인다.
• SEA가 일반적으로 고얽힘 목표에 대해 HWE 및 CONV보다 우수하며, 깊이에 걸쳐 높은 성공 확률을 보인다.
• 계산 기저 상태로의 학습은 곱 상태를 테스트하더라도 높은 생성 성공률을 낼 수 있다.
• CE 기반 연속성 상한은 입력 상태의 트레이스 거리를 CE 차이와 연결하여 일반화를 알린다.
• 결과는 학습 손실 및 입력 분포를 통해 얽힘 분포를 형성할 수 있음을 시사한다.