[논문 리뷰] VSQL: Variational Shadow Quantum Learning for Classification

Guangxi Li, Zhixin Song외 1명|arXiv (Cornell University)|2020. 12. 15.

Quantum Computing Algorithms and Architecture인용 수 5

한 줄 요약

이 논문은 변량 그림자 양자 회로를 활용해 양자 데이터에서 국소적 특징을 추출하는 혼합 양자-고전적 프레임워크인 VSQL을 제안한다. 국소 큐비트 부분공간에 집중하고 회로 깊이를 줄임으로써 VSQL은 매개변수와 게이트 수를 크게 감소시키며, 빈티어 플레이트au 문제를 완화하고 기존의 변량 양자 분류기보다 더 높은 테스트 정확도를 달성한다. 특히 이진 수기 숫자 인식에서 뛰어난 성능을 보인다.

ABSTRACT

Classification of quantum data is essential for quantum machine learning and near-term quantum technologies. In this paper, we propose a new hybrid quantum-classical framework for supervised quantum learning, which we call Variational Shadow Quantum Learning (VSQL). Our method in particular utilizes the classical shadows of quantum data, which fundamentally represent the side information of quantum data with respect to certain physical observables. Specifically, we first use variational shadow quantum circuits to extract classical features in a convolution way and then utilize a fully-connected neural network to complete the classification task. We show that this method could sharply reduce the number of parameters and thus better facilitate quantum circuit training. Simultaneously, less noise will be introduced since fewer quantum gates are employed in such shadow circuits. Moreover, we show that the Barren Plateau issue, a significant gradient vanishing problem in quantum machine learning, could be avoided in VSQL. Finally, we demonstrate the efficiency of VSQL in quantum classification via numerical experiments on the classification of quantum states and the recognition of multi-labeled handwritten digits. In particular, our VSQL approach outperforms existing variational quantum classifiers in the test accuracy in the binary case of handwritten digit recognition and notably requires much fewer parameters.

연구 동기 및 목표

• 변량 양자 머신러닝에서 높은 자원 요구량과 빈티어 플레이트au 문제를 국소 양자 특징을 활용해 해결하고자 한다.
• 제한된 큐비트 연결성과 얽힘 시간을 가진 NISQ 시대의 양자 하드웨어에 적합한 확장 가능한 양자 분류 프레임워크를 개발하고자 한다.
• 고전적 그림자가 양자 학습을 위한 효과적이고 저비용의 특징 표현으로 기능할 수 있음을 입증하고자 한다.
• 양자 회로를 국소 부분공간으로 제한함으로써 매개변수 수를 줄이고 노이즈를 감소시켜 높은 분류 정확도를 달성하고자 한다.
• 양자 상태 분류 및 다중라벨 수기 숫자 인식 작업에서 방법을 검증하고자 한다.

제안 방법

• 이 방법은 특정 국소 큐비트 부분공간에서만 작용하는 매개변수화된 그림자 양자 회로(VSQL 회로)를 사용하며, 국소 관측량 측정을 통해 고전적 특징을 추출한다.
• 고전적 그림자가 양자 데이터를 표현하기 위한 보조 정보로 사용되어 전체 상태 톰오그라피 없이도 효율적인 특징 추출을 가능하게 한다.
• 추출된 특징들은 최종 분류를 위해 완전히 연결된 신경망에 의해 처리되며, 양자 특징 추출과 고전적 학습을 결합한다.
• VSQL 프레임워크는 최소한의 게이트 수를 가진 변량 회로를 활용하여 노이즈와 회로 깊이를 줄여 빈티어 플레이트au 문제를 완화한다.
• 이 방법은 하드웨어 효율적으로 설계되어 연결성 제약을 고려하고 필요한 얽힘 게이트 수를 줄인다.
• 핵심 구성 요소로는 그림자 회로 $ U(\bm{\theta}) $, 국소 관측량 측정 $ o_i $, 그리고 매개변수 $ \bm{w}, b $를 가진 고전적 신경망이 포함된다.

실험 결과

연구 질문

• RQ1 고전적 그림자를 혼합 양자-고전적 학습 프레임워크에서 양자 분류를 위한 특징 표현으로 효과적으로 사용할 수 있는가?
• RQ2 양자 회로를 국소 부분공간으로 제한함으로써 매개변수 수와 게이트 수를 줄일 수 있으며, 분류 성능을 유지하거나 향상시킬 수 있는가?
• RQ3 VSQL 프레임워크는 변량 양자 학습에서 빈티어 플레이트au 문제를 피할 수 있는가?
• RQ4 테스트 정확도와 매개변수 효율성 측면에서 기존의 변량 양자 분류기와 비교해 VSQL은 어떻게 성능을 내는가?
• RQ5 VSQL은 수기 숫자 인식 작업과 같이 새로운 양자 데이터에 대해 잘 일반화되는가?

주요 결과

• 이진 수기 숫자 인식에서 VSQL은 기존의 변량 양자 분류기보다 테스트 정확도에서 뛰어난 성능을 보이며, 훨씬 적은 매개변수로 높은 성능을 달성한다.
• 국소 큐비트 부분공간에 집중함으로써 양자 게이트 수와 매개변수 수를 줄여 노이즈를 감소시키고 학습 가능성을 향상시킨다.
• VSQL 프레임워크는 회로 깊이 감소와 국소적 얽힘으로 인해 빈티어 플레이트au 문제를 성공적으로 피한다.
• 이론적 분석을 통해 VSQL은 단일 Ry 게이트 하나를 사용한 한 개의 국소 그림자 회로로 비수직 두 큐비트 상태를 정확히 구분할 수 있음을 증명했다.
• 수치 실험을 통해 VSQL이 새로운 데이터로 잘 일반화되며, 양자 상태 및 숫자 인식 작업에서 강력한 구분 능력을 보임을 확인했다.
• 이 프레임워크는 자원 사용을 최소화하면서도 높은 성능을 달성하여, 제한된 큐비트 연결성과 얽힘 시간을 가진 근접된 양자 장치에 적합하다.