[論文レビュー] Machine learning \& artificial intelligence in the quantum domain

Vedran Dunjko, Hans J. Briegel|arXiv (Cornell University)|Sep 8, 2017

Quantum Computing Algorithms and Architecture参考文献 221被引用数 41

ひとこと要約

この包括的なレビューでは、量子情報科学と機械学習（ML）／人工知能（AI）の相互作用の双方向的連携を検討し、量子コンピューティングがデータ分析、最適化、学習効率の面でMLタスクを高速化するメカニズムを示している。一方で、MLおよびAI技術は量子実験の設計と制御を向上させる。主な貢献は、量子強化学習エージェントの理論的枠組み、古典的ML概念の量子一般化、およびサンプル複雑性と計算実行時間における量子優位性の証明である。

ABSTRACT

Quantum information technologies, and intelligent learning systems, are both emergent technologies that will likely have a transforming impact on our society. The respective underlying fields of research -- quantum information (QI) versus machine learning (ML) and artificial intelligence (AI) -- have their own specific challenges, which have hitherto been investigated largely independently. However, in a growing body of recent work, researchers have been probing the question to what extent these fields can learn and benefit from each other. QML explores the interaction between quantum computing and ML, investigating how results and techniques from one field can be used to solve the problems of the other. Recently, we have witnessed breakthroughs in both directions of influence. For instance, quantum computing is finding a vital application in providing speed-ups in ML, critical in our "big data" world. Conversely, ML already permeates cutting-edge technologies, and may become instrumental in advanced quantum technologies. Aside from quantum speed-up in data analysis, or classical ML optimization used in quantum experiments, quantum enhancements have also been demonstrated for interactive learning, highlighting the potential of quantum-enhanced learning agents. Finally, works exploring the use of AI for the very design of quantum experiments, and for performing parts of genuine research autonomously, have reported their first successes. Beyond the topics of mutual enhancement, researchers have also broached the fundamental issue of quantum generalizations of ML/AI concepts. This deals with questions of the very meaning of learning and intelligence in a world that is described by quantum mechanics. In this review, we describe the main ideas, recent developments, and progress in a broad spectrum of research investigating machine learning and artificial intelligence in the quantum domain.

研究の動機と目的

• 量子情報処理（QIP）と機械学習／人工知能（ML/AI）の相互利益を調査し、実用的応用と基礎的問いの両方を扱う。
• 現実的な制約下で、量子コンピューティングが古典的MLタスク（特にデータ分析、最適化、学習効率）をどのように向上させられるかを特定・分析する。
• MLおよびAI技術が、量子実験を自律的かつリアルタイムに設計・最適化・制御する可能性を探る。
• 学習と知能の理論的基盤、特に量子強化エージェントや量子AIに及ぼす影響を含めた、量子一般化の理論的基盤を検討する。
• MLにおける量子優位性の実現可能性と限界を評価する。特に、サンプル複雑性、計算実行時間、実装上の課題を含む。

提案手法

• 量子情報理論、計算学習理論、強化学習フレームワークから得られる理論的および実験的研究を体系的にレビュー・統合し、量子機械学習（QML）に関する研究を検討する。
• 分光法のアンプリチュード増幅、量子位相推定、断熱的最適化などの量子アルゴリズムを、分類、回帰、ハミルトニアン推定などの古典的MLタスクの高速化に応用する。
• 量子ニューラルネットワーク、量子化されたホフホルドネットワーク、量子サポートベクタマシンなどの量子強化モデルを開発し、量子データの処理と学習能力の向上を図る。
• 古典的強化学習の枠組みを量子フレームワークに適応し、量子系と対話的に学習するための量子エージェント・環境モデルを導入する。
• 計算学習理論（例：PAC学習）を用いて、量子アクセスモデル下でのサンプル複雑性と一般化誤差の境界における量子優位性を形式化する。
• 教師ありおよび教師なし学習などのML技術を量子制御プロトコルに統合し、量子実験と状態準備のリアルタイム最適化を実現する。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングは、分類、回帰、クラスタリングといった主要な機械学習タスクにおいて、どの程度の高速化を実現できるか？
• RQ2 機械学習およびAI技術は、リアルタイムで量子実験を自律的かつ最適化・制御するためにどのように利用できるか？
• RQ3 学習効率における量子優位性の理論的限界は何か。特に、サンプル複雑性と一般化の観点から。
• RQ4 概念学習、一般化、方策学習といった古典的学習概念は、どのように量子ドメインに一般化できるか？
• RQ5 量子強化学習エージェントは、インタラクティブ環境において古典的エージェントを上回る性能を発揮できるか。このような状況での根本的な量子的優位性は何か？

主な発見

• 特定の学習問題において、量子PAC学習では、必要なトレーニングサンプル数が入力サイズに対して非線形にスケーリングされるため、サンプル複雑性において証明可能な高速化が達成可能である。
• 重ね合わせともつれを活用した量子強化学習エージェントは、状態・行動空間の探索において、特定のインタラクティブ環境でより速い収束と優れた方策最適化を達成できる。
• アンプリチュード符号化により、量子モデルは少ないキュービットで高次元データを処理でき、古典的モデルに比べて学習能力が著しく向上する。
• 量子ニューラルネットワークおよび量子化されたホフホルドネットワークは、量子状態を用いたパターン認識タスクにおいて、記憶容量の向上と一般化性能の向上を示している。
• 量子位相推定および断熱的最適化技術により、ハミルトニアン推定および基底状態準備の収束が高速化され、量子計測およびシミュレーションにおいて重要である。
• ML駆動の制御プロトコルは、量子ゲートシーケンスの最適化およびノイズの多い環境下での量子系の安定化に成功しており、近位量子デバイスにおける実用的利点を示している。