[論文レビュー] Out-of-distribution generalization for learning quantum dynamics

C. Matthias, Hsin-Yuan Huang+6 more|arXiv (Cornell University)|Apr 21, 2022

Gaussian Processes and Bayesian Inference被引用数 7

ひとこと要約

本論文は、量子機械学習における分布外一般化のための最初の理論的枠組みを確立し、未知のユニタリ演算子を学習する際、積状態で訓練された量子ニューラルネットワーク（QNN）が、非常にエンタングルされた状態にも一般化できることを証明している。主な結果は、局所的にスクラッチされた分布における予測誤差の間で完全な相関関係が成立することを示しており、このことにより、近位の量子ハードウェアで、最小限のエンタングルド訓練データを用いて、量子ダイナミクスを効率的に学習することが可能になる。

ABSTRACT

Generalization bounds are a critical tool to assess the training data requirements of Quantum Machine Learning (QML). Recent work has established guarantees for in-distribution generalization of quantum neural networks (QNNs), where training and testing data are drawn from the same data distribution. However, there are currently no results on out-of-distribution generalization in QML, where we require a trained model to perform well even on data drawn from a different distribution to the training distribution. Here, we prove out-of-distribution generalization for the task of learning an unknown unitary. In particular, we show that one can learn the action of a unitary on entangled states having trained only product states. Since product states can be prepared using only single-qubit gates, this advances the prospects of learning quantum dynamics on near term quantum hardware, and further opens up new methods for both the classical and quantum compilation of quantum circuits.

研究の動機と目的

• 訓練データとテストデータの分布が異なる場合に、量子機械学習における一般化理論の重要なギャップを埋めること。
• 限られたエンタングルド状態へのアクセスを伴う近位の量子ハードウェアで、未知のユニタリダイナミクスを効率的に学習できることを可能にすること。
• 積状態で訓練することにより、高々エンタングルドなテスト状態に対しても正確な予測が可能であることを証明すること。
• 量子ユニタリ学習における分布外一般化の理論的保証を確立すること。

提案手法

• 2つの局所的にスクラッチされた量子状態のアンサンブル間の予測誤差の相関に関する理論的分析。
• 任意の2つの局所的にスクラッチされた分布における平均予測誤差が、小さな定数係数を除いて完全に相関していることを証明。
• 分布内一般化バウンドと誤差相関結果を組み合わせることで、分布外一般化の保証を導出。
• ユニタリダイナミクスの学習というタスクに、積状態で訓練された量子ニューラルネットワークを適用するためのフレームワークの応用。
• 短時間のヘイゼンベルグスピン鎖の時間発展演算を用いた数値的検証（積状態訓練データを用い）。
• 最適化のランドスケープとリスク解析を用いて、理論的バウンドを上回る実験的性能を示す。

実験結果

リサーチクエスチョン

• RQ1 未知のユニタリを学習する際、積状態で訓練された量子ニューラルネットワークは、エンタングルド状態に対しても一般化可能か？
• RQ2 量子機械学習における分布外一般化には、どのような理論的保証が存在するか？
• RQ3 局所的にスクラッチされた分布における予測誤差どうしの相関関係はどのように定まるのか？そしてこれは一般化に何を意味するか？
• RQ4 限定的な状態のクラス（例：積状態）で訓練することでも、より広いクラス（例：ハール一様乱数状態）に対して正確な予測が得られるか？
• RQ5 量子ダイナミクス学習の実験的結果は、理論的一般化バウンドをどの程度上回っているか？

主な発見

• 任意の2つの局所的にスクラッチされた状態アンサンブルにおける平均予測誤差は、小さな定数係数を除いて完全に相関しており、理論的一般化保証の実現を可能にする。
• 多項式的に多くの積状態で訓練されたQNNは、完全にランダムで非常にエンタングルされた状態に対しても一般化可能である。
• 実験的結果では、一般化誤差が理論的上界 𝒪(N⁻¹/²) よりも速く、訓練データ数Nの増加に伴い減少することが示された。
• t=5の場合、N=15の最適化ランで12.5%が近似的に完璧な学習（コスト ≈ リスク ≈ 0）を達成したが、N=3ではわずか7%であった。
• 最適化が収束しなくても理論的バウンドは成立し、実験的性能は常に最悪ケースの理論的予測を上回っていた。
• ヘイゼンベルグスピン鎖のダイナミクスに関する数値実験により、積状態での訓練が、ハール一様状態に対する分布外予測を正確に可能にすることが確認された。