[论文解读] Quantum Convolutional Neural Networks are Effectively Classically Simulable

Pablo Bermejo, Paolo Braccia+4 more|arXiv (Cornell University)|Aug 22, 2024

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

本文表明 QCNNs 可以通过在局部易数据集上使用 Pauli shadows 进行高效的经典模拟，从而在没有量子计算机的情况下实现高达 1024 qubits 的训练与评估。

ABSTRACT

Quantum Convolutional Neural Networks (QCNNs) are widely regarded as a promising model for Quantum Machine Learning (QML). In this work we tie their heuristic success to two facts. First, that when randomly initialized, they can only operate on the information encoded in low-bodyness measurements of their input states. And second, that they are commonly benchmarked on "locally-easy'' datasets whose states are precisely classifiable by the information encoded in these low-bodyness observables subspace. We further show that the QCNN's action on this subspace can be efficiently classically simulated by a classical algorithm equipped with Pauli shadows on the dataset. Indeed, we present a shadow-based simulation of QCNNs on up-to $1024$ qubits for phases of matter classification. Our results can then be understood as highlighting a deeper symptom of QML: Models could only be showing heuristic success because they are benchmarked on simple problems, for which their action can be classically simulated. This insight points to the fact that non-trivial datasets are a truly necessary ingredient for moving forward with QML. To finish, we discuss how our results can be extrapolated to classically simulate other architectures.

研究动机与目标

• 证明随机初始化的 QCNNs 在 observables 的 low-bodyness 子空间内运作。
• 表明广泛使用的 QCNN 基准测试是 locally-easy 的，并且可以通过这个子空间进行分类。
• 开发并应用基于 shadow 的经典模拟技术以再现 QCNN 的性能。
• 量化资源需求并讨论量子优势在 QML 中的含义。

提出的方法

• 分析 QCNN 架构并表明随机初始化将信息处理集中在 O(1)-bodyness observables 上。
• 将 locally-easy datasets 定义为那些可被输入态中的 low-bodyness 信息分类的数据集。
• 使用 classical shadows (Pauli shadows) 和 low-bodyness truncation 来模拟 QCNNs。
• 使用 LOWESA-based Pauli propagation 和 tensor-network 方法在经典数据和量子数据上模拟 QCNNs。
• 在量子数据集（Heisenberg Bond-Alternating XXX, Haldane chain, ANNNI, Cluster Hamiltonian）上进行基准测试，规模达到 1024 qubits。
• 用交叉熵损失和 LBFGS 优化对模拟的 QCNNs 进行训练，并与报道的 QCNN 性能进行比较。

实验结果

研究问题

• RQ1 QCNNs 的作用是否可以通过影子技术在训练过程中的情景下进行经典模拟？
• RQ2 用于基准 QCNN 的数据集是否是 locally-easy 的并且可以通过 low-bodyness observables 进行分类？
• RQ3 Pauli classical shadows 结合 low-bodyness truncation 是否能够在大规模系统上有效重现 QCNN 的性能？
• RQ4 这些结果是否可拓展到量子数据和经典数据，以及对量子优势的资源含义是什么？

主要发现

• 随机初始化的 QCNNs 主要依赖于 low-bodyness (O(1)) observables，将训练动态与一个较小的子空间相关联。
• 常见的 QCNN 基准测试是 locally-easy 的，意味着它们可以在 low-bodyness 子空间内求解。
• 使用 Pauli shadows 和 low-bodyness truncation 的经典模拟达到与完整 QCNN 相似或更高的准确性。
• 对于量子数据集，在较 modest 的 shadow 数量（例如每个数据点 100 次影子）和较小的总测量预算下，可实现高准确度（例如 >90%）。
• 将仿真扩展到最高 1024 个量子比特，显示了在量子和经典数据集上对 QCNN 性能的可扩展经典仿真。
• 这些结果表明，QCNN 的成功在很大程度上可能来源于在简单数据集上的基准测试，强调需要真正困难的数据集来证明量子优势。