[論文レビュー] On the learnability of quantum neural networks

Yuxuan Du, Min-Hsiu Hsieh+3 more|arXiv (Cornell University)|Jul 24, 2020

Quantum Computing Algorithms and Architecture被引用数 12

ひとこと要約

この論文は、経験的リスク最小化（ERM）フレームワーク下で、ノイズ、測定回数、回路深さが性能境界を劣化させることを示しながら、変分量子ニューラルネットワーク（QNN）の学習可能性に関する理論的基盤を確立する。ノイズのあるゲート操作下でもQNNが微分プライベートであることを証明し、NISQデバイス上でも量子優位性が維持可能である可能性を示唆する。

ABSTRACT

We consider the learnability of the quantum neural network (QNN) built on the variational hybrid quantum-classical scheme, which remains largely unknown due to the non-convex optimization landscape, the measurement error, and the unavoidable gate errors introduced by noisy intermediate-scale quantum (NISQ) machines. Our contributions in this paper are multi-fold. First, we derive the utility bounds of QNN towards empirical risk minimization, and show that large gate noise, few quantum measurements, and deep circuit depth will lead to the poor utility bounds. This result also applies to the variational quantum circuits with gradient-based classical optimization, and can be of independent interest. We then prove that QNN can be treated as a differentially private (DP) model. Thirdly, we show that if a concept class can be efficiently learned by QNN, then it can also be effectively learned by QNN even with gate noise. This result implies the same learnability of QNN whether it is implemented on noiseless or noisy quantum machines. We last exhibit that the quantum statistical query (QSQ) model can be effectively simulated by noisy QNN. Since the QSQ model can tackle certain tasks with runtime speedup, our result suggests that the modified QNN implemented on NISQ devices will retain the quantum advantage. Numerical simulations support the theoretical results.

研究の動機と目的

• ノイズおよび測定誤差が存在する中でのQNN学習可能性という根本的な未解決問題に取り組む。
• ゲートノイズ、有限測定、回路深さがQNNの性能および一般化に与える影響を分析する。
• ノイズ環境下での経験的リスク最小化（ERM）フレームワークにおけるQNNの理論的保証を確立する。
• ノイズの多い中規模量子（NISQ）デバイス上でも、学習における量子優位性が持続可能かどうかを調査する。
• QNNの学習可能性を量子統計的クエリ（QSQ）モデルと結びつけ、実行時間の高速化の可能性を示唆する。

提案手法

• ノイズ付き勾配と有限測定を伴う勾配降下法の収束を分析することで、ERMにおけるQNNのユーティリティ境界を導出する。
• Polyak-Łojasiewicz（PL）条件とノイズを考慮した最適化解析を用いて、一般化誤差の境界を求める。
• 微分プライバシー（DP）の合成性質を適用し、ノイズ付きチャネルを介するQNNがDPモデルであることを示す。
• デポラライジングとアンプリチュードデーミング効果を組み合わせたノイズモデルを導入し、QNNのロバストネスを分析する。
• Chernoff-Hoeffding不等式を用いて、ノイズ下での期待値推定の正確性を満たすための測定回数を定量的に評価する。
• ノイズ付きQNNが量子統計的クエリ（QSQ）モデルを効果的にシミュレートできることを示し、量子高速化の可能性を維持していることを示す。

実験結果

リサーチクエスチョン

• RQ1 ゲートノイズ、有限測定、回路深さは、QNNのユーティリティおよび一般化にどのように影響するか？
• RQ2 NISQデバイスで一般的に見られるノイズの多い量子操作下でも、QNNは学習可能であるか？
• RQ3 ノイズ付きQNNは、ノイズなしQNNと同等の学習可能性を持つと見なせるか？
• RQ4 ノイズ付きQNNは微分プライベートと見なせるか？
• RQ5 ノイズ付きQNNは、量子統計的クエリ（QSQ）モデルをシミュレート可能であり、潜在的な量子優位性を維持できるか？

主な発見

• 大きなゲートノイズ、少ない測定回数、深すぎる回路は、ERM下のQNNにおいて劣悪なユーティリティ境界を引き起こし、$ R_1 = \tilde{O}\left(\frac{1}{(1-\tilde{p})^2}, d, \frac{1}{BK}\right) $ として定量的に示される。
• ユーティリティ境界 $ R_2 $ は $ O\left(\frac{1}{(1-\tilde{p})^2}, \frac{1}{SBK^2}, d\right) $ とスケーリングされ、ノイズと測定回数に依存することが示された。
• ノイズ付きチャネル $ \mathcal{E}_{p_1} $ によって摂動されたQNNは、測定メカニズムのDP性質により微分プライベートである。
• ノイズなしQNNで学習可能な概念クラスは、ゲートノイズ下でも依然として学習可能であるため、ノイズに対してロバストであることが示された。
• ノイズ付きQNNは、量子統計的クエリ（QSQ）モデルを効果的にシミュレートでき、量子高速化の可能性を維持している。
• 測定回数 $ K $ が $ \left|\frac{1}{K}\sum V_k - \nu\right| \leq \tau $ を満たすには、$ K = \frac{\ln(2/b)}{2(\tau - \tilde{p}\nu - p_2' - p_3^{L_Q}/D)^2} $ が必要であり、精度、ノイズ、信頼度のトレードオフが明確に示された。