[论文解读] Support Vector Machines on Noisy Intermediate Scale Quantum Computers

Jiaying Yang, Awan, Ahsan Javed+1 more|arXiv (Cornell University)|Sep 26, 2019

Quantum Computing Algorithms and Architecture参考文献 18被引用 12

一句话总结

该论文提出了一种针对含噪声中等规模量子（NISQ）计算机的优化量子支持向量机（QSVM）框架，包含针对线性可分二维数据集的定制预处理单元、避免量子层析成像的经典结果读出方法，以及深度减少的HHL电路。该方法在真实IBMQX2硬件上实现了98–99.5%的分类准确率，与先前工作相比，电路深度降低且保真度提升78.4%。

ABSTRACT

Support vector machine algorithms are considered essential for the implementation of automation in a radio access network. Specifically, they are critical in the prediction of the quality of user experience for video streaming based on device and network-level metrics. Quantum SVM is the quantum analogue of the classical SVM algorithm, which utilizes the properties of quantum computers to speed up the algorithm exponentially. In this work, we derive an optimized preprocessing unit for a quantum SVM that allows classifying any two-dimensional datasets that are linearly separable. We further provide a result readout method of the kernel matrix generation circuit to avoid quantum tomography that, in turn, reduces the quantum circuit depth. We also derive a quantum SVM system based on an optimized HHL quantum circuit with reduced circuit depth.

研究动机与目标

• 为解决在量子比特数量有限且噪声较高的NISQ设备上实现量子SVM的挑战。
• 降低小规模训练数据在真实量子硬件上的量子电路深度并提高保真度。
• 在不依赖计算资源密集型量子层析成像的前提下，实现对线性可分二维数据集的高精度分类。
• 设计一种在当前噪声量子处理器上保持高准确率的实用QSVM系统。

提出的方法

• 推导出一种优化的预处理单元，将任意线性可分的二维数据集映射为适合QSVM的量子态，通过原点的决策边界实现分类。
• 为核矩阵生成电路引入一种经典结果读出方法，消除对量子态层析成像的需求，同时降低电路深度。
• 提出一种重新设计的HHL量子电路，将深度从20减少至7，以提升在NISQ设备上的性能。
• 利用新的公式化方法，通过训练数据预言机生成核矩阵，增强与浅层电路的兼容性。
• 将优化的预处理、核矩阵生成与HHL电路整合为完整的QSVM流水线。
• 使用模拟与真实量子设备概率分布之间的Jensen-Shannon散度评估保真度。

实验结果

研究问题

• RQ1 能否设计出一种足够高效且准确的QSVM系统，使其可在当前NISQ硬件上运行，尽管其量子比特相干时间有限且噪声较高？
• RQ2 如何在QSVM结果读出过程中避免量子层析成像，以降低电路深度并提高可扩展性？
• RQ3 通过HHL优化实现的电路深度减少，能在多大程度上提升真实量子处理器上的分类准确率？
• RQ4 能否设计一种预处理单元，以处理任意线性可分的二维数据集，而无需对数据结构做先验假设？
• RQ5 电路深度对真实NISQ设备上量子分类结果的保真度有何影响？

主要发现

• 在本地模拟器上，使用优化基线的优化QSVM系统在Iris数据集上实现了98%的准确率，在OCR数据集上也实现了98%的准确率。
• 在IBMQX2量子处理器上，优化后的HHL电路在OCR数据集上实现了99.5%的准确率，在Iris数据集上实现了98%的准确率。
• 与基线电路相比，优化后的HHL电路使真实设备与理想模拟器概率分布之间的Jensen-Shannon散度降低了78.4%。
• 经典结果读出方法成功避免了量子层析成像，实现了更快且更可靠的分类结果。
• HHL组件的电路深度从20降低至7，显著提升了与当前NISQ硬件的兼容性。
• 该系统表明，深度减少与经典读出是提升真实量子设备上QSVM性能的有效策略。