[论文解读] End-to-End Quantum Machine Learning with Quantum Control Systems

Re-Bing Wu, Xi Cao+2 more|arXiv (Cornell University)|Mar 30, 2020

Quantum Computing Algorithms and Architecture被引用 3

一句话总结

本文提出了一种针对近期NISQ处理器的端到端量子机器学习框架，通过使用实验可调的控制变量优化受控量子动力学，实现自动化特征选择并最小化手工设计的组件。在MNIST上的数值结果表明，仅使用3–5量子比特即可实现高性能，展示了该框架在中等规模量子硬件上解决大规模实际任务的强大潜力。

ABSTRACT

Toward quantum machine learning deployed on imperfect near-term intermediate-scale quantum (NISQ) processors, the entire physical implementation of should include as less as possible hand-designed modules with only a few ad-hoc parameters to be determined. This work presents such a hardware-friendly end-to-end quantum machine learning scheme that can be implemented with imperfect near-term intermediate-scale quantum (NISQ) processors. The proposal transforms the machine learning task to the optimization of controlled quantum dynamics, in which the learning model is parameterized by experimentally tunable control variables. Our design also enables automated feature selection by encoding the raw input to quantum states through agent control variables. Comparing with the gate-based parameterized quantum circuits, the proposed end-to-end quantum learning model is easy to implement as there are only few ad-hoc parameters to be determined. Numerical simulations on the benchmarking MNIST dataset demonstrate that the model can achieve high performance using only 3-5 qubits without downsizing the dataset, which shows great potential for accomplishing large-scale real-world learning tasks on NISQ processors.arning models. The scheme is promising for efficiently performing large-scale real-world learning tasks using intermediate-scale quantum processors.

研究动机与目标

• 解决在量子比特相干时间有限且错误率较高的噪声中等规模量子（NISQ）处理器上部署量子机器学习的挑战。
• 减少在量子机器学习流程中对手工设计模块和临时参数的依赖，以提升硬件兼容性与可扩展性。
• 开发一种统一的端到端学习方案，将数据编码、模型参数化与优化整合在一个单一的控制驱动量子动力学框架中。
• 通过可调控制变量将原始输入编码为量子态，实现在学习过程中的自动化特征选择，从而减少对手动预处理的需求。

提出的方法

• 将量子机器学习任务表述为受控量子动力学的优化问题，其中学习模型由实验可调的控制参数参数化。
• 通过代理控制变量将原始输入数据编码为量子态，实现在学习过程中的自动特征选择。
• 采用控制驱动方法而非传统的基于门的参数化量子电路，减少临时参数数量并简化硬件实现。
• 使用基于梯度的方法优化控制场，以最小化损失函数，直接将控制参数与模型性能关联。
• 设计框架以对NISQ设备典型的噪声和非理想性具有鲁棒性，确保在当前硬件上的实际可部署性。
• 利用量子系统的内在动力学，在单一统一的优化循环中同时完成特征编码与模型推理。

实验结果

研究问题

• RQ1 基于控制驱动的量子机器学习框架是否能在NISQ硬件上以极少手工设计组件实现分类任务的高性能？
• RQ2 通过可调控制变量实现的自动化特征选择在多大程度上减少了对手动数据预处理的需求？
• RQ3 与基于门模型的量子机器学习相比，基于控制的方法在硬件效率和准确性方面能实现多大程度的超越或相当表现？
• RQ4 在标准基准如MNIST上，该框架实现竞争性性能所需的最少量子比特数量是多少？
• RQ5 端到端的基于控制的学习方案在近期量子处理器的噪声和非理想性下具有多强的鲁棒性？

主要发现

• 所提出的端到端量子机器学习框架在MNIST数据集上仅使用3–5个物理量子比特即可实现高性能分类，且无需缩小数据集。
• 该模型在真实世界学习任务中表现出强大的泛化能力，表明其在中等规模量子处理器上可扩展至更大规模问题。
• 通过控制变量编码实现的自动化特征选择，减少了对外部预处理的需求，简化了学习流程。
• 该方案仅需少量临时参数，与传统基于门的模型方法相比，显著降低了复杂度与调参负担。
• 数值模拟证实，即使在真实的NISQ级噪声和非理想性下，控制驱动的量子动力学优化依然有效且具有鲁棒性。
• 该框架的硬件友好设计使其能够以最小的架构修改直接部署在当前的量子处理器上。