[论文解读] Entangled Datasets for Quantum Machine Learning

Louis Schatzki, Andrew Arrasmith+2 more|arXiv (Cornell University)|Sep 8, 2021

Quantum Computing Algorithms and Architecture参考文献 79被引用 28

一句话总结

本文介绍 NTangled，一个由量子神经网络生成的具有变化的多主体纠缠的量子态数据集，并在基于纠缠的分类任务上对量子机器学习模型进行基准测试。它还展示了来自硬件高效电路的可扩展、深度可变的纠缠态数据集，以及生成多主体纠缠态的方法。

ABSTRACT

High-quality, large-scale datasets have played a crucial role in the development and success of classical machine learning. Quantum Machine Learning (QML) is a new field that aims to use quantum computers for data analysis, with the hope of obtaining a quantum advantage of some sort. While most proposed QML architectures are benchmarked using classical datasets, there is still doubt whether QML on classical datasets will achieve such an advantage. In this work, we argue that one should instead employ quantum datasets composed of quantum states. For this purpose, we introduce the NTangled dataset composed of quantum states with different amounts and types of multipartite entanglement. We first show how a quantum neural network can be trained to generate the states in the NTangled dataset. Then, we use the NTangled dataset to benchmark QML models for supervised learning classification tasks. We also consider an alternative entanglement-based dataset, which is scalable and is composed of states prepared by quantum circuits with different depths. As a byproduct of our results, we introduce a novel method for generating multipartite entangled states, providing a use-case of quantum neural networks for quantum entanglement theory.

研究动机与目标

• 为使用量子数据集而非经典数据集来基准测试QML模型、并潜在实现量子优势提供论据。
• 介绍具有变化的多主体纠缠的NTangled量子态数据集，并展示如何通过QNN生成它。
• 在有监督分类任务中以纠缠作为目标标签对QML模型进行基准测试。
• 提出由不同深度的硬件高效量子电路产生的可扩展纠缠态数据集。
• 提供一种生成多主体纠缠态的实用方法，并将其与纠缠理论联系起来。

提出的方法

• 定义一个基于纠缠的、用于将量子态分类到标签的有监督QML框架。
• 训练一个量子神经网络以生成具有目标集中纠缠(CE)值的态。
• 使用CE以及可能的n-tangle度量来训练和评估生成的态。
• 探索三种生成器QNN并设（硬件高效、强纠缠、卷积）及其深度。
• 提出使期望CE成立的损失函数，并通过附加项可选择性地偏向态的类型（例如W态 vs GHZ态）。
• 展示使用TensorFlow Quantum/Cirq和Pennylane的仿真训练和泛化。

实验结果

研究问题

• RQ1 量子数据集是否可以在不嵌入经典数据的情况下实现对QML模型的训练与基准测试？
• RQ2 能否训练一个QNN来生成具备规定多主体纠缠度量的量子态？
• RQ3 不同的生成器QNN解法（ansatz）及深度如何影响所产生的纠缠态的质量与类型？
• RQ4 是否可以使用QML模型以高精度按纠缠水平对态进行分类？
• RQ5 基于纠缠的数据集是否能提供来自硬件高效电路深度的可扩展基准？

主要发现

• NTangled数据集可以通过训练以产生具有目标CE值的态的QNN来生成。
• 不同的QNN解法（HWE，SEA，CONV）在深度和训练输入（基态与积态）下表现各异。
• 对于高纠缠目标，SEA通常优于HWE和CONV，在各深度下具有高成功概率。
• 在计算基态上进行训练，即使在对积态进行测试，也能获得较高的生成成功率。
• 基于CE的连续性界将输入态的迹距离与CE差联系起来，有助于推广性分析。
• 结果表明，可以通过训练损失和输入分布来塑造纠缠分布。