[논문 리뷰] Power of Quantum Generative Learning

Yuxuan Du, Zhuozhuo Tu외 3명|arXiv (Cornell University)|2022. 05. 10.

Quantum Computing Algorithms and Architecture인용 수 11

한 줄 요약

이 논문은 양자 회로 보른 기계(QCBMs)와 양자 생성 대립 신경망(QGANs)이라는 두 가지 주요 양자 생성 학습 모델에 대한 일반화 경계를 수립하며, 양자 장치가 타겟 분포에 직접 액세스하고 양자 커널을 사용할 경우 QGLMs가 고전적 방법을 능가할 수 있음을 보여준다. 이론적 분석은 가우시안 분포 로딩 및 기본 상태 추정 작업에서 수치적으로 검증된다.

ABSTRACT

The intrinsic probabilistic nature of quantum mechanics invokes endeavors of designing quantum generative learning models (QGLMs). Despite the empirical achievements, the foundations and the potential advantages of QGLMs remain largely obscure. To narrow this knowledge gap, here we explore the generalization property of QGLMs, the capability to extend the model from learned to unknown data. We consider two prototypical QGLMs, quantum circuit Born machines and quantum generative adversarial networks, and explicitly give their generalization bounds. The result identifies superiorities of QGLMs over classical methods when quantum devices can directly access the target distribution and quantum kernels are employed. We further employ these generalization bounds to exhibit potential advantages in quantum state preparation and Hamiltonian learning. Numerical results of QGLMs in loading Gaussian distribution and estimating ground states of parameterized Hamiltonians accord with the theoretical analysis. Our work opens the avenue for quantitatively understanding the power of quantum generative learning models.

연구 동기 및 목표

• 학습된 모델을 알려지지 않은 데이터로 확장하는 데 핵심적인 일반화 능력이 있는 양자 생성 학습 모델(QGLMs)의 이해를 위한 것이다.
• 특히 고전적 생성 모델과의 비교에서 그들의 경험적 성공에도 불구하고 QGLMs에 대한 이론적 기반의 부족을 해결하기 위한 것이다.
• 특히 NISQ 시대의 현실적인 제약 조건 하에서 복잡한 분포를 학습할 때 QGLMs가 내재된 이점을 제공하는지 조사하기 위한 것이다.
• QCBMs와 QGANs에 대한 명시적인 일반화 경계를 유도하여 경험적 성능과 이론적 이해 사이의 격차를 메우기 위한 것이다.
• 가우시안 분포 로딩 및 양자 상태 준비, 하미르토니안 학습 작업과 같은 실용적 양자 학습 과제에서 이론적 통찰을 수치 실험을 통해 검증하기 위한 것이다.

제안 방법

• 통계적 학습 이론을 사용하여 양자 회로 보른 기계(QCBMs)와 양자 생성 대립 신경망(QGANs)에 대한 일반화 경계를 유도한다.
• 생성된 분포와 타겟 분포 간의 분포 유사도를 측정하기 위해 최대 평균 차이(MMD) 손실을 학습 목표로 적용한다.
• 모델의 표현 능력을 향상시키고 일반화 성능을 향상시키기 위해 MMD 손실에 양자 커널을 도입한다.
• 매개변수화된 양자 회로를 생성기로 사용하는 변분 양자 알고리즘(VQAs)을 QGAN의 생성기로 활용하며, 확률적 경사 하강법을 통해 클래스컬러 최적화기를 사용해 매개변수를 갱신한다.
• 학습 안정성과 일반화 성능 향상을 위해 구조화된 앤사즈와 얽힘 층을 갖춘 수정된 스타일-QGANs를 설계한다.
• 가우시안 분포 로딩 및 매개변수화된 하미르토니안의 기본 상태 추정에 대한 수치 시뮬레이션을 수행하여 이론적 경계를 검증한다.

실험 결과

연구 질문

• RQ1 실제로 존재하는 양자 장치의 제약 조건 하에서, 양자 회로 보른 기계와 양자 생성 대립 신경망의 일반화 경계는 무엇인가?
• RQ2 QGLMs가 일반화 성능 측면에서 고전적 생성 모델을 능가하는 조건는 무엇인가?
• RQ3 타겟 분포에 대한 직접 액세스와 양자 커널의 사용이 QGLMs의 일반화 성능에 어떤 영향을 미치는가?
• RQ4 학습 가능한 게이트 수로 측정된 모델의 표현 능력은 QGANs의 일반화 오차에 어느 정도 영향을 미치는가?
• RQ5 실제로 양자 상태 준비 및 하미르토니안 학습과 같은 양자 학습 과제에서 이론적 일반화 경계를 경험적으로 검증할 수 있는가?

주요 결과

• 양자 장치가 타겟 분포에 직접 액세스하고 양자 커널을 사용할 경우 QGLMs는 고전적 방법보다 뛰어난 일반화 성능을 보인다.
• QGANs의 일반화 오차는 학습 가능한 게이트 수(즉, 회로 깊이)가 증가함에 따라 증가하며, 이는 과도한 모델 표현 능력이 일반화 성능을 떨어뜨릴 수 있음을 시사한다 — 이는 정리 2와 일치한다.
• 수치 결과에 따르면, 충분한 학습 데이터(m = 5000)가 제공되면 일반화 오차가 안정화되며 더 이상 데이터 크기의 영향을 받지 않아 포화 효과가 나타남을 보여준다.
• L=8(L₁=8) 층을 가진 QGANs의 기대 MMD 손실은 120회 반복 후 0.0045에 도달하여, 과도한 파rameter화로 인해 상대적으로 높은 일반화 오차를 보이고 있음을 나타낸다.
• 경험적 MMD 손실은 빠르게 수렴(약 40회 반복 이내)하지만, 깊은 회로에서는 기대 MMD 손실이 현저히 높게 유지되며, 표현 능력과 일반화 사이의 상충 관계를 확인한다.
• 가우시안 분포 로딩 및 매개변수화된 하미르토니안의 기본 상태 추정에 대한 시뮬레이션 결과는 이론적 예측과 일치하며, 실용적 환경에서 일반화 경계의 타당성을 검증한다.