[論文レビュー] Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms

Parth Rajauria, Prateek Chawla+1 more|arXiv (Cornell University)|Jul 9, 2020

Quantum Computing Algorithms and Architecture参考文献 65被引用数 4

ひとこと要約

本稿では、機械学習モデル（特に多層パーセプトロンと線形回帰やK近傍法といった従来のアルゴリズム）を用いて、1次元離散時間量子ウォーク（DTQW）およびスプリットステップ量子ウォーク（SSQW）の位置確率分布からコインパラメータを推定することを提案する。モデルは高い精度を達成しており、深層ニューラルネットワークはベースラインと比較して予測誤差を96.488％削減した。これは、機械学習が観測可能な分布から量子ウォークのパラメータを効果的に推定できることを示している。

ABSTRACT

Estimation of the coin parameter(s) is an important part of the problem of implementing more robust schemes for quantum simulation using quantum walks. We present the estimation of the quantum coin parameter used for one-dimensional discrete-time quantum walk evolution using machine learning algorithms on their probability distributions. We show that the models we have implemented are able to estimate these evolution parameters to a good accuracy level. We also implement a deep learning model that is able to predict multiple parameters simultaneously. Since discrete-time quantum walks can be used as quantum simulators, these models become important when extrapolating the quantum walk parameters from the probability distributions of the quantum system that is being simulated.

研究の動機と目的

• 観測可能な確率分布から量子ウォークのパラメータを推定する機械学習ベースの手法を開発すること。
• 直接測定が困難な場合に、DTQWおよびSSQWにおけるコインパラメータを推定する課題に対処すること。
• さまざまな機械学習モデルが、1つまたは複数のパラメータを同時に推定する際の性能を評価すること。
• 機械学習が量子ウォークのパラメータ推定において、ベースラインの予測戦略を上回ることを実証すること。

提案手法

• コインパラメータ（θ）とステップ数（N）を変化させたDTQWおよびSSQWの確率分布の合成データセットを生成した。
• 入力を確率ベクトル、出力をθまたはNとするように、Nadam最適化子を用いて33,682件の訓練サンプル（全44,910件の75％）で多層パーセプトロン（MLP）を訓練した。
• Nが固定でθ₂が固定のSSQWにおいて、単一パラメータ推定に線形回帰とK近傍法（k=5）を用いた。
• 訓練データのθおよびNの平均値を常に予測するベースラインモデルを構築し、性能比較に用いた。
• 推定精度を測定するために、テストデータにおける平均二乗誤差（MSE）を評価した。
• 非定常勾配を伴う深層学習タスクにおいて優れた収束性と性能を示すとして、Nadam最適化子を選択した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、位置確率分布から1次元離散時間量子ウォークにおけるコインパラメータθを正確に推定できるか？
• RQ2 深層ニューラルネットワークは、DTQWにおいてθとNの複数パラメータを同時に推定する際、非学習ベースラインよりも高い精度を達成できるか？
• RQ3 線形回帰、KNN、MLPなどの異なる機械学習モデルは、Nが固定でθ₂が固定のスプリットステップ量子ウォークのパラメータ推定において、どのように比較されるか？
• RQ4 量子ウォークのパラメータ推定において、モデルの性能はデータセットサイズおよびモデルアーキテクチャにどの程度依存するか？

主な発見

• 多層パーセプトロンモデルは、常にθおよびNの平均値を予測するベースラインモデルと比較して、平均二乗誤差（MSE）を96.488％削減した。
• ニューラルネットワークはテストセットでMSE 916.0458を達成し、確率分布からのパターン認識と優れた一般化能力を示した。
• SSQWのパラメータ推定において、線形回帰はMSE 1.265×10⁻⁸を達成し、K近傍法（MSE: 3.112×10⁻⁷）を上回った。
• モデルは、量子ウォークの確率分布とその背後にあるパラメータの間の複雑な非線形関係を効果的に学習した。
• 結果から、機械学習が量子ウォークのダイナミクスから隠れたパラメータを効果的に抽出できることを確認した。これにより、堅牢な量子シミュレーションが可能になる。
• 本研究は、モデル選択とトレーニングデータの質が推定精度に顕著に影響することを示しており、最適なアルゴリズムは一概に存在しないことがわかった。