[論文レビュー] Quantum Semi-Supervised Learning with Quantum Supremacy

Zhou Shangnan|arXiv (Cornell University)|Oct 5, 2021

Quantum Computing Algorithms and Architecture参考文献 18被引用数 5

ひとこと要約

本論文は、ラベル付きデータの不足と古典的計算のボトル neck を克服するため、量子計算を活用した量子半教師付き学習フレームワークを提案する。自己学習およびK-meansクラスタリングのための量子アルゴリズムを導入することで、時間計算量が明確に高速化されることを示し、量子行列積推定が古典的手法を上回ることを実証した。

ABSTRACT

Quantum machine learning promises to efficiently solve important problems. There are two persistent challenges in classical machine learning: the lack of labeled data, and the limit of computational power. We propose a novel framework that resolves both issues: quantum semi-supervised learning. Moreover, we provide a protocol in systematically designing quantum machine learning algorithms with quantum supremacy, which can be extended beyond quantum semi-supervised learning. In the meantime, we show that naive quantum matrix product estimation algorithm outperforms the best known classical matrix multiplication algorithm. We showcase two concrete quantum semi-supervised learning algorithms: a quantum self-training algorithm named the propagating nearest-neighbor classifier, and the quantum semi-supervised K-means clustering algorithm. By doing time complexity analysis, we conclude that they indeed possess quantum supremacy.

研究の動機と目的

• 古典的機械学習におけるラベル付きデータの不足と高い計算コストという二重の課題に対処すること。
• 量子優位性を達成する量子機械学習アルゴリズムの設計に向けた体系的プロトコルを開発すること。
• 自己学習およびクラスタリングを含む半教師付き学習タスクにおける量子高速化を実証すること。
• 半教師付き学習を超えて、深層量子ニューラルネットワークや量子システム学習へとフレームワークを拡張すること。

提案手法

• ラベル付きおよびラベルなしの古典的データを量子状態に符号化する、古典-量子半教師付き学習の一般枠組みを提案する。
• 量子重ね合わせと振幅増幅を活用した、伝搬型最近傍分類器を用いた量子自己学習アルゴリズムを導入する。
• QRAMを用いてデータを格納する量子半教師付きK-meansアルゴリズムを開発し、距離推定とクラスタ割り当てにおける量子並列性を実現する。
• 重心の更新に量子行列乗算を採用することで、古典的時間計算量O(Nkd)から量子的時間計算量O(N)にまで低減する。
• ハイブリッド量子-古典的反復プロセスを採用：距離推定とラベル割り当てを量子ステップで実行し、その後測定を行い、重心を古典的に更新する。
• メモリアクセス時間とアルゴリズム的時間計算量を分離することで、真の量子アルゴリズム的優位性がQRAMの高速アクセスによって曇らないようにする。

実験結果

リサーチクエスチョン

• RQ1 量子計算は、機械学習におけるデータラベル付けのボトル neck 問題に対してスケーラブルな解決策を提供できるか？
• RQ2 量子アルゴリズムは、半教師付き学習において古典的手法よりも明確な時間計算量の優位性を達成できるか？
• RQ3 量子機械学習アルゴリズムに量子優位性をもたらすための体系的プロトコルは何か？
• RQ4 この文脈において、量子行列積推定はなぜ古典的行列乗算を上回るのか？
• RQ5 量子半教師付き学習は、深層ニューラルネットワークや量子コトレーニングといったより複雑なモデルへと拡張可能か？

主な発見

• 伝搬型最近傍分類器は、古典的手法よりも時間計算量を低減することで、量子優位性を達成する。
• 量子半教師付きK-meansアルゴリズムは、量子距離推定とクラスタ割り当てが1反復あたりO(k)時間で実行可能であるのに対し、古典的実装ではO(Nk)時間であるため、量子優位性を示す。
• 重心更新のための量子行列積推定は、1重心あたりO(N)時間で実行可能であり、古典的実装のO(Nkd)時間に比べて顕著に高速化される。
• アルゴリズム的時間計算量とメモリアクセス時間の分離により、量子高速化がQRAMの高速アクセスによって誤って隠されないことが保証された。
• 本研究で提案された量子機械学習アルゴリズム設計プロトコルは、半教師付き学習を越えて、深層量子ニューラルネットワークへも一般化可能である。
• 結果から、近位量子ハードウェア上で大規模な量子系を対象とした効率的な量子-量子学習への道筋が示唆される。