[论文解读] GenQu: A Hybrid System for Learning Classical Data in Quantum States

Samuel A. Stein, Ray Marie Tischio+6 more|arXiv (Cornell University)|May 4, 2021

Quantum Computing Algorithms and Architecture参考文献 20被引用 10

一句话总结

GenQu 是一种混合量子-经典框架，通过深度神经网络将经典数据编码为量子态，实现了在显著减少量子比特数量和参数量情况下的高效学习。与经典方法相比，其模型参数量最多可减少 95.8%，收敛速度提升 66.67%，同时在模拟环境和 IBM-Q 硬件上的真实数据集上保持了相当的准确性。

ABSTRACT

Deep neural network-powered artificial intelligence has rapidly changed our daily life with various applications. However, as one of the essential steps of deep neural networks, training a heavily-weighted network requires a tremendous amount of computing resources. Especially in the post Moore's Law era, the limit of semiconductor fabrication technology has restricted the development of learning algorithms to cope with the increasing high-intensity training data. Meanwhile, quantum computing has exhibited its significant potential in terms of speeding up the traditionally compute-intensive workloads. For example, Google illustrates quantum supremacy by completing a sampling calculation task in 200 seconds, which is otherwise impracticable on the world's largest supercomputers. To this end, quantum-based learning becomes an area of interest, with the promising of a quantum speedup. In this paper, we propose GenQu, a hybrid and general-purpose quantum framework for learning classical data through quantum states. We evaluate GenQu with real datasets and conduct experiments on both simulations and real quantum computer IBM-Q. Our evaluation demonstrates that, comparing with classical solutions, the proposed models running on GenQu framework achieve similar accuracy with a much smaller number of qubits, while significantly reducing the parameter size by up to 95.8\% and converging speedup by 66.67% faster.

研究动机与目标

• 应对后摩尔定律时代训练深度神经网络日益增长的计算需求。
• 克服经典硬件在处理高强度训练数据时的可扩展性限制。
• 利用量子计算在机器学习工作负载中实现加速的潜力。
• 开发一种通用的混合量子框架，能够将经典数据编码为量子态以实现高效学习。
• 与经典模型相比，在显著减少量子比特和参数需求的前提下，实现相当的模型准确性。

提出的方法

• 利用深度神经网络将经典数据映射到量子态，实现高效编码。
• 设计一种将经典数据处理与量子态制备相结合的混合量子-经典架构。
• 实施一种参数高效的量子模型训练流水线，以最小化量子比特和参数开销。
• 优化量子线路结构以减少深度和门数，提升与近期量子硬件的兼容性。
• 在量子模拟器和真实的 IBM-Q 量子处理器上部署该框架，实现端到端评估。
• 应用量子变分算法，在参数空间减小的编码量子态上训练模型。

实验结果

研究问题

• RQ1 混合量子-经典框架是否能在显著减少量子比特和参数数量的同时，实现与经典深度学习相当的模型准确性？
• RQ2 在近期量子硬件上，经典数据学习任务中能在多大程度上实现量子加速？
• RQ3 通过 GenQu 训练的量子模型在参数效率方面与真实世界数据集上的经典模型相比如何？
• RQ4 GenQu 训练的模型在达到相同精度目标时，其收敛性能与经典训练相比如何？
• RQ5 GenQu 框架在不同数据集和量子硬件平台上的可扩展性和鲁棒性如何？

主要发现

• GenQu 在真实数据集上训练时，其模型准确性与经典深度学习模型相当。
• 与经典解决方案相比，该框架将模型参数数量最多减少了 95.8%。
• GenQu 模型的收敛速度比其经典对应模型快 66.67%。
• 该框架在量子模拟器和真实的 IBM-Q 量子硬件上均表现出有效的性能。
• 量子态编码策略实现了极低量子比特开销的高效学习，提升了近期量子设备的可行性。
• 混合设计在大幅降低计算资源需求（尤其是参数和量子比特数量）的同时，保持了高准确性。