[论文解读] Large-scale quantum machine learning

Tobias Haug, Chris N. Self+1 more|arXiv (Cornell University)|Aug 2, 2021

Quantum Computing Algorithms and Architecture参考文献 38被引用 10

一句话总结

该论文提出了一种可扩展的量子机器学习框架，利用随机测量以二次加速计算量子核函数，从而实现对大规模、高维数据集的高效处理。通过在线性电路深度内编码特征，并结合具有噪声缓解的分布式量子计算，该方法在220小时内完成MNIST图像分类——将原本需要10年的计算时间大幅缩短，使当前硬件上的工业级量子机器学习成为可能。

ABSTRACT

Quantum computers promise to enhance machine learning for practical applications. Quantum machine learning for real-world data has to handle extensive amounts of high-dimensional data. However, conventional methods for measuring quantum kernels are impractical for large datasets as they scale with the square of the dataset size. Here, we measure quantum kernels using randomized measurements to gain a quadratic speedup in computation time and quickly process large datasets. Further, we efficiently encode high-dimensional data into quantum computers with the number of features scaling linearly with the circuit depth. The encoding is characterized by the quantum Fisher information metric and is related to the radial basis function kernel. We demonstrate the advantages of our methods by classifying images with the IBM quantum computer. To achieve further speedups we distribute the quantum computational tasks between different quantum computers. Our approach is exceptionally robust to noise via a complementary error mitigation scheme. Using currently available quantum computers, the MNIST database can be processed within 220 hours instead of 10 years which opens up industrial applications of quantum machine learning.

研究动机与目标

• 为解决传统量子核方法在大规模数据集上计算复杂度随数据集规模呈二次增长的不切实际问题。
• 实现在电路深度上线性资源扩展的高维数据高效编码至量子态。
• 通过随机测量和分布式量子处理，将量子机器学习的计算时间从数十年缩短至数天。
• 通过互补误差缓解方案提升近场量子设备对噪声的鲁棒性。
• 通过在现有量子硬件上于220小时内完成MNIST数据集处理，证明量子机器学习在工业应用中的可行性。

提出的方法

• 采用随机测量估算量子核函数，与传统方法相比实现计算时间的二次加速。
• 设计一种特征编码方案，其结构由量子费舍尔信息度量表征，并在数学上与径向基函数核函数相关联。
• 使特征数量与电路深度线性增长，从而实现对高维数据的高效编码。
• 将量子计算任务分布在多台量子计算机上，以加速处理并提高资源利用率。
• 实施一种互补误差缓解技术，以提升在噪声中等规模量子（NISQ）设备上的性能。
• 将所有组件整合为一个可扩展的流水线，用于真实世界的量子机器学习应用。

实验结果

研究问题

• RQ1 随机测量能否在大规模数据集上实现量子核函数计算的二次加速？
• RQ2 如何实现高维数据在电路深度上线性扩展的量子态编码？
• RQ3 分布式量子计算在多大程度上可减少量子机器学习工作流的总运行时间？
• RQ4 所提出的误差缓解方案在提升噪声量子硬件上分类准确率方面的效果如何？
• RQ5 该完整流水线是否能在当前量子计算机上以可行时间范围内处理MNIST数据集？

主要发现

• 使用随机测量使量子核函数计算时间实现二次加速，使大规模处理成为可行。
• 所提出的编码方法在电路深度上线性扩展，可高效处理高维数据。
• 该系统将MNIST数据集的处理时间从10年缩短至220小时，证明了实际可行性。
• 互补误差缓解方案显著提升了近场量子设备对噪声的鲁棒性。
• 分布式量子处理通过在多台量子计算机上分发计算任务，实现了更快的执行速度。
• 该框架展示了在当前可用量子硬件上实现工业级量子机器学习的可行性。