[論文レビュー] Provable superior accuracy in machine learned quantum models

Chengran Yang, Andrew J. P. Garner+6 more|arXiv (Cornell University)|May 30, 2021

Quantum Computing Algorithms and Architecture参考文献 52被引用数 5

ひとこと要約

本稿では、古典的時系列データから次元削減された量子モデルを構築する機械学習アルゴリズムを提案し、同じメモリ制約下でいかなる古典的モデルよりも予測精度が保証的に高いことを示している。この手法は、量子メモリを用いて因果状態をより効率的に符号化することで、IBMの'ibmq athens'のようなノイズの多い近位量子ハードウェアでさえも、統計的に有意な量子優位性を示している。

ABSTRACT

In modelling complex processes, the potential past data that influence future expectations are immense. Models that track all this data are not only computationally wasteful but also shed little light on what past data most influence the future. There is thus enormous interest in dimensional reduction-finding automated means to reduce the memory dimension of our models while minimizing its impact on its predictive accuracy. Here we construct dimensionally reduced quantum models by machine learning methods that can achieve greater accuracy than provably optimal classical counterparts. We demonstrate this advantage on present-day quantum computing hardware. Our algorithm works directly off classical time-series data and can thus be deployed in real-world settings. These techniques illustrate the immediate relevance of quantum technologies to time-series analysis and offer a rare instance where the resulting quantum advantage can be provably established.

研究の動機と目的

• 古典的時系列データから次元削減された量子モデルを構築する手法を開発し、同じ条件下で予測精度が古典的モデルを上回ることを目的とする。
• メモリが制限された状況で、量子モデルが、証明的に最適な古典的モデルを上回る精度を達成できることを示すこと。
• 実験的データから直接量子モデルを推定するためのアルゴリズムフレームワークを提供し、実世界への展開を可能にすること。
• ノイズの多い中規模量子（NISQ）ハードウェアを用いて、現実的な環境下での量子優位性を検証すること。
• 量子優位性が、下位の確率過程の非マルコフ性に伴いどのように増大するかを確立すること。

提案手法

• アルゴリズムは古典的時系列データと指定された量子メモリ次元を入力とし、メモリ制約下で将来の結果を予測する量子マシンを学習する。
• 過去の履歴を量子状態にマップする機械学習的手法を用い、量子メモリの次元制約を守りながら予測誤差を最小化する。
• 因果状態を量子状態準備とユニタリ発展を用いて同定することで、最適な予測忠実度を保証する量子モデルを構築する。
• 因果状態を粗粒度化表現に統合する前モデルを形成し、各量子状態から将来の予測が決定的になるようユニファイラー化を実施する。
• 予測誤差を最小化するために、次の$κ$出力の統計を最適化する手法を用い、$κ$-ユニファイラー前モデル構築を実施する。
• 得られたモデルはIBMの'ibmq athens'量子プロセッサに実装・テストされ、現実のノイズ条件下での性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 メモリが厳密に制限された状況で、量子モデルは古典的モデルを上回る予測精度を達成できるか？
• RQ2 ノイズの多い実際の量子ハードウェア環境でも、量子優位性は維持されるか？
• RQ3 モデル化される確率過程の非マルコフ性が高まるにつれて、量子優位性はどのようにスケーリングするか？
• RQ4 完全な量子プロセストモグラフィーを必要とせずに、機械学習アルゴリズムが古典的時系列データから直接量子モデルを推定できるか？
• RQ5 予測精度の観点で証明的に最適な次元削減量子モデルを体系的に構築する方法は存在するか？

主な発見

• 提案された量子モデルは、同じメモリ容量を持ついかなる古典的モデルよりも顕著に高い予測精度を達成し、証明可能な量子優位性を示している。
• 量子優位性は理論的であるだけでなく、実験的にも観測可能である：ノイズの影響を受けるものの、IBMの'ibmq athens'量子プロセッサ上で統計的に有意な精度向上が測定された。
• 量子優位性は、プロセスの非マルコフ性に伴い増大する。これは、記憶依存性が高いプロセスであるほど、量子メモリの利点が顕著になることを示している。
• アルゴリズムは、最初の$κ$未来出力の最適化により歪みを最小化する$κ$-ユニファイラー量子モデルを効果的に構築でき、決定的かつ正確な予測を保証している。
• この手法により、原始的な古典的データから直接量子モデルを推定できるようになり、神経科学、ファイナンス、地球物理学などの分野における実世界の時系列解析に応用可能である。
• 実験結果は、理論的量子モデルとノイズのある量子ハードウェア実装との間に密接な一致を示しており、現実の条件下でも量子優位性の強靭性が確認された。