[論文レビュー] Universal Approximation Property of Quantum Feature Map

Takahiro Goto, Quoc Hoan Tran+1 more|arXiv (Cornell University)|Sep 1, 2020

Quantum Computing Algorithms and Architecture被引用数 11

ひとこと要約

この論文は、通常の近接量子機械学習設定下で、量子特徴写像が連続関数を普遍的に近似できることを証明し、理論的表現力の確立に貢献している。本研究は、離れた領域の分類におけるその能力を示し、広範な応用が可能なロバストな量子強化学習モデルの構築を可能にする。

ABSTRACT

Encoding classical inputs into quantum states is considered a quantum feature map to map classical data into a quantum Hilbert space. This feature map provides opportunities to incorporate quantum advantages into machine learning algorithms to be performed on near-term intermediate-scale quantum computers. While the quantum feature map has demonstrated its capability when combined with linear classification models in some specific applications, its expressive power from the theoretical perspective remains unknown. We prove that the quantum feature map is a universal approximator of continuous functions under its typical settings in many practical applications. We also study the capability of the quantum feature map in the classification of disjoint regions. Our work enables an important theoretical analysis to ensure that quantum-enhanced machine learning algorithms based on quantum feature maps can handle a broad class of machine learning tasks. In light of this, one can design a quantum machine learning model with more powerful expressivity.

研究の動機と目的

• 量子機械学習における量子特徴写像の表現力の理論的確立を目的とする。
• 量子特徴写像が任意の連続関数を近似可能かどうか、普遍学習のための鍵となる要件を検証することを目的とする。
• 入力空間における離れた領域の分類能力を分析することを目的とする。これは機械学習における基本的タスクである。
• 量子強化モデルが広範な学習タスクを処理できることを保証する理論的基盤を提供することを目的とする。
• 普遍近似の証明に基づく、より表現力の高い量子機械学習モデルの設計を可能とすることを目的とする。

提案手法

• 近接量子計算で用いられる標準的設定下における量子特徴写像の理論的分析。
• ヒルベルト空間内において、量子特徴写像が連続関数を普遍的に近似可能であることを証明する。
• 量子状態の識別可能性を用いて、入力空間における離れた領域の分離能力を特徴写像が有するかを検討する。
• パラメータ化された量子回路に基づく、標準的な量子特徴写像の構築法の使用。
• 関数解析および近似理論の応用により、普遍性を確立する。
• 古典的入力を量子状態への写像として形式化し、普遍近似特性を有する特徴埋め込みとして定式化する。

実験結果

リサーチクエスチョン

• RQ1 近接量子機械学習の文脈において、量子特徴写像は連続関数を普遍的に近似可能か？
• RQ2 複雑な関数を表現する際の、量子特徴写像の理論的表現力は何か？
• RQ3 量子特徴写像は、入力空間における離れた領域を効果的に分類可能か？
• RQ4 量子特徴写像の構造は、その近似能力をどのように支援するか？
• RQ5 このような特徴写像を用いた量子強化学習モデルに対して、どのような理論的保証を提供できるか？

主な発見

• 通常の近接量子機械学習設定下で、量子特徴写像が連続関数の普遍的近似可能であることが証明された。
• 実際の応用で用いられる標準的なパラメータ化された量子回路に対しても、普遍近似性が成立する。
• 特徴写像は、入力空間における離れた領域を効果的に分離可能であり、強力な分類可能性を示唆している。
• 理論的基盤により、量子特徴写像が広範な機械学習タスクに応用可能であることが裏付けられた。
• 結果として、量子特徴写像の表現力が検証され、より強力な量子機械学習モデルの設計が可能になった。
• 本研究の発見は、量子強化学習アルゴリズムのスケーラビリティおよびロバスト性を裏付ける厳密な理論的基盤を提供している。