[論文レビュー] Experimental demonstration of a quantum generative adversarial network for continuous distributions

Abhinav Anand, Jonathan Romero+2 more|arXiv (Cornell University)|Jun 2, 2020

Quantum Computing Algorithms and Architecture被引用数 9

ひとこと要約

この論文は、ノイジーな中規模量子（NISQ）デバイス上で連続確率分布を学習するためのハイブリッド量子生成対抗ネットワーク（HQGAN）を提示する。Rigetti社のAspen-4-2Q-Aプロセッサを用いて、さまざまなノイズタイプ下でも安定した学習性能を示し、計算スケーリングを低減するパラメータ設定を同定した。これにより、量子生成モデルの実用的導入が可能となる。

ABSTRACT

The potential advantage of machine learning in quantum computers is a topic of intense discussion in the literature. Theoretical, numerical and experimental explorations will most likely be required to understand its power. There has been different algorithms proposed to exploit the probabilistic nature of variational quantum circuits for generative modelling. In this paper, we employ a hybrid architecture for quantum generative adversarial networks (QGANs) and study their robustness in the presence of noise. We devise a simple way of adding different types of noise to the quantum generator circuit, and numerically simulate the noisy hybrid QGANs to learn continuous probability distributions, and show that the performance of HQGANs remain unaffected. We also investigate the effect of different parameters on the training time to reduce the computational scaling of the algorithm and simplify its deployment on a quantum computer. We then perform the training on Rigetti's Aspen-4-2Q-A quantum processing unit, and present the results from the training. Our results pave the way for experimental exploration of different quantum machine learning algorithms on noisy intermediate scale quantum devices.

研究の動機と目的

• ノイジーな量子ハードウェア上で連続確率分布のための量子生成対抗ネットワーク（QGAN）を訓練可能かどうかを調査すること。
• NISQデバイスにおける現実的なノイズ条件下で、ハイブリッドQGAN（HQGAN）のロバスト性を評価すること。
• 最適な訓練パラメータを同定することで、計算スケーリングを低減し、導入を簡素化すること。
• Rigetti社のAspen-4-2Q-Aを用いた実際の量子処理ユニット（QPU）を用いて、HQGANの実験的妥当性を示すこと。

提案手法

• 量子ジェネレータがサンプルを生成し、古典的ディスクライマーがそれらを評価する、ハイブリッド量子・古典アーキテクチャを採用する。
• 制御されたシミュレーションフレームワークを用いて、量子ジェネレータ回路にノイズを体系的に導入し、現実的なデコherenceとゲートエラーをモデル化する。
• さまざまなノイズタイプとパrameter設定におけるHQGANのパフォーマンスを評価するために、数値シミュレーションを実施する。
• 計算スケーリングを最小限に抑え、収束速度を向上させるためにハイパーパラメータを最適化する。
• HQGANをRigetti社のAspen-4-2Q-A 2量子ビット量子処理ユニットに実装・訓練し、実験的妥当性を検証する。
• 生成された分布とターゲットの連続分布を比較することで、標準的な生成モデル評価指標を用いてパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 ノイズは、連続分布のためのハイブリッド量子生成対抗ネットワークの訓練およびパフォーマンスにどのように影響するか？
• RQ2 どのハイパーパラメータがHQGANの計算スケーリングと収束時間に最も顕著に影響を与えるか？
• RQ3 HQGANは、ノイジーで近い未来の量子ハードウェア上で訓練された場合でも、ロバスト性と正確性を維持できるか？
• RQ4 パラメータ最適化によって、NISQデバイス上でのHQGANのデプロイに必要なリソース要件をどの程度低減できるか？
• RQ5 実際の量子プロセッサ上でHQGANを訓練し、連続分布の学習が実験的に可能か？

主な発見

• HQGANは、さまざまなノイズタイプにおいても安定した学習パフォーマンスを示し、量子ジェネレータにおけるデコherenceとゲートエラーに対してロバストであることが確認された。
• 最適なパラメータ選択により、計算スケーリングが顕著に低減され、NISQデバイス上でのより効率的な学習が可能になった。
• Rigetti社のAspen-4-2Q-A量子プロセッサを用いた実験的訓練により、連続分布からのサンプル生成に成功した。
• 数値シミュレーションにより、適切にキャリブレーションされた場合、ノイズがモデルのターゲット分布の学習能力を低下させないことが確認された。
• 結果として、現在のノイジー中規模量子ハードウェア上でHQGANを生成モデルタスクにデプロイ可能であることが妥当性を確認した。