[論文レビュー] VQE-generated quantum circuit dataset for machine learning

Akimoto Nakayama, Kosuke Mitarai+3 more|arXiv (Cornell University)|Feb 20, 2023

Quantum Computing Algorithms and Architecture被引用数 9

ひとこと要約

要約: この論文は、変分量子固有値ソルバー（VQE）で最適化された量子回路のデータセットを導入し、量子回路のクラスタリングと分類を可能にし、シミュレータと実機の両方で学習を実演します。

ABSTRACT

Quantum machine learning has the potential to computationally outperform classical machine learning, but it is not yet clear whether it will actually be valuable for practical problems. While some artificial scenarios have shown that certain quantum machine learning techniques may be advantageous compared to their classical counterpart, evidence does not yet suggest that quantum machine learning has surpassed conventional approaches in dealing with standard classical datasets, such as MNIST dataset. In contrast, dealing with quantum data, such as quantum states or circuits, may be the task where we can benefit from quantum methods. Therefore, it is important to develop practically meaningful quantum datasets for which we expect quantum methods to be superior. In this paper, we propose a machine learning task that is likely to soon arise in the real world: clustering and classification of quantum circuits. We provide a dataset of quantum circuits optimized by the variational quantum eigensolver. We utilized six common types of Hamiltonians in condensed matter physics, with a range of 4-20 qubits, and applied ten different ansatz with varying depths (ranging from 3 to 32) to generate a quantum circuit dataset of six distinct classes, each containing 300 samples. We show that this dataset can be easily learned using quantum methods. In particular, we demonstrate a successful classification of our dataset using real four-qubit devices available through IBMQ. By providing a setting and an elementary dataset where quantum machine learning is expected to be beneficial, we hope to encourage and ease the advancement of the field.

研究の動機と目的

• 現実的な量子クラウドサービスで発生し得る実用的な量子MLタスク（回路のクラスタリング/分類）を動機づける。
• VQEによって生成された複数のハミルトニアンと Ansatz による elementary な、ラベル付き量子回路データセットを提供する。
• シミュレーション環境と実機設定の両方で量子手法がデータセットを学習できることを示す。
• 将来のデータ駆動分析や量子回路コンパイラ／トランスパイラのベンチマークとしての潜在的な用途を強調する。

提案手法

• 6つのハミルトニアンの基底状態をVQEで最適化し、6つの Ansatzタイプと回路深さD=3から32までを用いて1800本の回路を構築（N=4で1500本）。
• 各ラベルごとにN=4,8,12,16,20の各ビット数につき300本の回路を生成し、6つのラベル（ハミルトニアン）を提供する。
• パラメータを収束条件が満たされるまで、ノイズのない厳密期待値を用いてBFGSで最適化する。
• 回路をQASM形式で表現し、クラスタリング／分類のために出力状態の忠実度|<0|U_m^† U_{m'}|0>|^2を評価する。
• データをt-SNEで可視化し、クラスタリングをk-メドイド法と調整 Rand 指標（ARI）で評価する。
• 回路パラメータ特徴量を用いたカーネルSVMで分類を実演し、実機（4量子ビットのIBMQ）とノイズシミュレータでの実現可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 異なるハミルトニアンに最適化された量子回路を出力状態の類似性に基づいてクラスタリングまたは分類できるか。
• RQ2 提案されたVQE生成回路データセットは量子手法で学習可能で、古典的MLベースラインには難しいか。
• RQ3 実機の量子ハードウェアでデータセットを分類またはクラスタリングできる程度はどれくらいか。ノイズは性能にどのように影響するか。
• RQ4 データセットは量子回路設計・コンパイル・クラウドプロバイダ分析の実用的ベンチマークとして機能するか。

主な発見

• 理想的な量子コンピュータ上ではN=4,8,12,16,20量子ビットで教師なしクラスタリングが容易で、ARI値はそれぞれ0.992, 0.968, 0.927, 0.883, 0.692。
• 4-, 8-, 12-, 16量子ビットのデータセットは高いクラスタリング品質を示す。20量子ビットデータはサブセット5が難しくなるため難しい。
• 実機では4量子ビットのクラスタリングが理論上の設定内で完璧に近いことを実証。
• 20量子ビットデータのノイズモデルによるシミュレーションはARI0.720を示し、現実的なノイズ下でより大きな量子ビット数でも学習が可能であることを示唆。
• クラシカルMLは標準的な特徴マップでは全体的に弱く、回路パラメータ特徴を用いたSVMはハミルトニアン− Ansatzデータで約80%の精度を達成するのみで、その他はほぼランダムに近い。
• データセットは複数の量子ビット数とラベルでQASM形式でGitHubに公開されている。