[논문 리뷰] Large-scale quantum reservoir learning with an analog quantum computer

Milan Kornjača, Hong-Ye Hu외 51명|arXiv (Cornell University)|2024. 07. 02.

Neural Networks and Reservoir Computing인용 수 9

한 줄 요약

중성 원자 아날로그 양자 컴퓨터를 이용한 그래디언트 프리이며 확장 가능한 양자 저장소 학습(QRC)을 시연하고, 108 큐빗으로 확장되며 경쟁력 있는 작업과 비교적 양자 커널 우위를 보임.

ABSTRACT

Quantum machine learning has gained considerable attention as quantum technology advances, presenting a promising approach for efficiently learning complex data patterns. Despite this promise, most contemporary quantum methods require significant resources for variational parameter optimization and face issues with vanishing gradients, leading to experiments that are either limited in scale or lack potential for quantum advantage. To address this, we develop a general-purpose, gradient-free, and scalable quantum reservoir learning algorithm that harnesses the quantum dynamics of neutral-atom analog quantum computers to process data. We experimentally implement the algorithm, achieving competitive performance across various categories of machine learning tasks, including binary and multi-class classification, as well as timeseries prediction. Effective and improving learning is observed with increasing system sizes of up to 108 qubits, demonstrating the largest quantum machine learning experiment to date. We further observe comparative quantum kernel advantage in learning tasks by constructing synthetic datasets based on the geometric differences between generated quantum and classical data kernels. Our findings demonstrate the potential of utilizing classically intractable quantum correlations for effective machine learning. We expect these results to stimulate further extensions to different quantum hardware and machine learning paradigms, including early fault-tolerant hardware and generative machine learning tasks.

연구 동기 및 목표

• 중성 원자 아날로그 양자 컴퓨터에서 보편적이고 그래디언트 프리한 양자 저장소 학습 알고리즘을 시연한다.
• 이진/다중 클래스 분류 및 시계열 예측에 걸친 학습 성능을 보여준다.
• 시스템 크기 증가에 따른 QRC의 확장성과 노이즈에 대한 강건성을 조사한다.
• 커널 기하학 개념을 활용한 비교적 양자 커널 우위를 평가한다.
• 양자 상관관계가 실용적 학습 이점을 제공하는 데이터셋에 대한 근거를 제시한다.

제안 방법

• 글로벌 펄스, 위치, 또는 로컬 펄스 인코딩을 사용하여 데이터를 중성 원자 리드버그 해밀토니안으로 인코딩한다.
• 정의된 H(t) 하에서 Omega(t), V_jk, Delta_g(t), Delta_l(t)로 양자 저장소를 진화시키고, ⟨Z_j⟩와 ⟨Z_jZ_k⟩에서 측정 임베딩을 추출한다.
• 국부 관측치로부터 임베딩 u_i[n]을 형성하고 간단한 고전적 후처리(선형 SVM 또는 회귀 분석)를 사용한다.
• 저장소 임베딩을 양자 커널 K(x[n], x[m]) = ⟨u[n], u[m]⟩로 간주하고 커널 기하학 차이를 분석하여 양자 우위를 평가한다.
• Omega, V, 인코딩 스케일이 유사한 크기를 갖는 보편적 매개변수 영역을 식별하여 양자 매개변수 최적화의 필요성을 줄인다.

실험 결과

연구 질문

• RQ1 중성 원자 하드웨어를 사용하는 그래디언트 프리 QRC 프레임워크가 표준 ML 태스크에서 경쟁력 있는 성능을 달성할 수 있는가?
• RQ2 큐빗을 최대 108개까지 확장하고 측정이 증가함에 따라 QRC가 어떻게 확장되며 하드웨어 노이즈에 얼마나 강건한가?
• RQ3 설계된 데이터셋에서 양자 저장소 임베딩이 고전 커널에 비해 비교적 양자 커널 우위를 제공하는가?
• RQ4 태스크와 하드웨어 노이즈 조건에서 성능을 극대화하는 인코딩 방식은 어떤지(글로벌 펄스, 위치, 로컬 펄스)?
• RQ5 노이즈에 강하고 자원 절약형 양자 학습을 가능하게 하는 보편적 매개변수 영역의 역할은 무엇인가?

주요 결과

• 최대 108 큐빗으로 이진/다중 클래스 분류 및 시계열 예측 학습을 달성했다.
• 합성 데이터셋에서 고전 기준값 대비 경쟁력 있는 성능을 관찰했고 커널 기하학 기반의 양자 우위를 시연했다.
• Omega, V, 인코딩 스케일이 서로 유사한 보편적 매개변수 구역을 발견해 매개변수 조정 필요를 줄였다.
• 작업 전반에 걸쳐 탐색된 최대 규모인 108 큐빗까지 시스템 크기가 커질수록 QRC 성능이 향상되는 것을 시演했다.
• 시계열 인코딩 3가지를 비교했으며 시뮬레이션과 실험 간 위상에 민감한 차이가 있었으나 인코딩 순위는 유지되었다.
• MNIST 3/8 작업 및 합성 데이터셋에서 비교적 양자 커널 우위를 보였고, 비교적 적은 샷 수에서도 관측 가능한 이점을 보였다.