[论文解读] Approximate Quantum Random Access Memory Architectures

Koustubh Phalak, Junde Li+1 more|arXiv (Cornell University)|Oct 24, 2022

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文提出了一种基于可训练参数量子线路（PQC）的近似量子随机存取内存（QRAM），通过可训练的量子线路在叠加态中存储和检索经典数据。与全连接神经网络相比，该方法在二分类任务中实现了更快的收敛速度（第6个周期）和更低的损失（0.53），而全连接网络则在第15个周期收敛且损失为0.89；通过凝聚聚类预处理，高维数据存储的性能得到提升。

ABSTRACT

Quantum supremacy in many applications using well-known quantum algorithms rely on availability of data in quantum format. Quantum Random Access Memory (QRAM), an equivalent of classical Random Access Memory (RAM), fulfills this requirement. However, the existing QRAM proposals either require qutrit technology and/or incur access challenges. We propose an approximate Parametric Quantum Circuit (PQC) based QRAM which takes address lines as input and gives out the corresponding data in these address lines as the output. We present two applications of the proposed PQC-based QRAM namely, storage of binary data and storage of machine learning (ML) dataset for classification.

研究动机与目标

• 为解决NISQ时代量子机器学习中高效可扩展的量子数据加载挑战，提出一种可训练的近似QRAM架构。
• 通过集成QRAM实现数据检索，提升量子神经网络（QNN）训练的收敛速度和泛化能力。
• 通过引入凝聚聚类作为预处理步骤，减少汉明距离并提高正确预测率，从而提升QRAM在二值数据存储中的性能。
• 评估随着地址线和数据线数量增加时，QRAM的准确率与可扩展性之间的权衡。
• 证明近似QRAM在特定量子机器学习任务中可超越经典数据嵌入和全连接网络。

提出的方法

• 所提出的QRAM使用参数量子线路（PQC）作为可训练的量子线路，将输入地址映射到量子叠加态中的对应数据值。
• PQC通过两阶段训练过程进行训练：首先，辅助PQC用于训练QRAM存储数据；其次，训练后的QRAM作为输入用于QNN进行分类。
• 对于二值数据存储，QRAM在扩展数据集（通过复制）上进行训练，以确保即使在小地址空间下也有足够的训练样本。
• 凝聚聚类被用作预处理步骤，将相似数据点分组，从而减小每个QRAM实例的有效规模，提升训练效率。
• 性能通过汉明距离（HD）和正确预测率进行评估，损失通过100个训练周期的均方误差计算。
• QRAM架构在结构上固定，本实现中不支持增量数据更新。

实验结果

研究问题

• RQ1 与经典神经网络和使用经典数据嵌入的QNN相比，基于PQC的近似QRAM是否能在量子机器学习任务中实现更快的收敛？
• RQ2 随着地址线和数据线数量的增加，QRAM的性能（特别是汉明距离和正确预测率）如何退化？
• RQ3 凝聚聚类预处理在多大程度上能提升QRAM在高维二值数据存储中的准确率和鲁棒性？
• RQ4 在使用QRAM进行分类时，QRAM近似误差与QNN表征能力之间的权衡是什么？
• RQ5 所提出的QRAM架构是否能有效支持量子机器学习中的量子数据加载，而无需使用三量子比特或复杂易出错的电路？

主要发现

• QRAM + QNN在第6个周期即达到100%分类准确率，优于使用经典嵌入的QNN（第10个周期）和全连接神经网络（第15个周期）。
• QRAM + QNN的损失为0.53，显著低于全连接神经网络（0.89），且与使用经典嵌入的QNN（0.48）相当。
• 对于二值数据存储，当地址线从2根增加到9根时，汉明距离从0上升至3.97，正确预测率从100%下降至0.58%。
• 通过凝聚聚类预处理，当地址线为9根时，汉明距离从3.97降至2.17，正确预测率从0.58%提升至10.1%。
• 损失曲线显示聚类处理带来了持续改进，所有地址线数量下的均方误差均更低。
• QRAM架构在收敛速度和损失方面均优于经典模型，表明其在表征学习中具有潜在的量子优势。