[论文解读] Large-scale quantum reservoir learning with an analog quantum computer

Milan Kornjača, Hong-Ye Hu+51 more|arXiv (Cornell University)|Jul 2, 2024

Neural Networks and Reservoir Computing被引用 9

一句话总结

展示一种无梯度、可扩展的量子水库学习（QRC），使用中性原子模拟量子计算机，扩展到108量子比特，并在任务中显示出竞争力以及相较量子核的优势。

ABSTRACT

Quantum machine learning has gained considerable attention as quantum technology advances, presenting a promising approach for efficiently learning complex data patterns. Despite this promise, most contemporary quantum methods require significant resources for variational parameter optimization and face issues with vanishing gradients, leading to experiments that are either limited in scale or lack potential for quantum advantage. To address this, we develop a general-purpose, gradient-free, and scalable quantum reservoir learning algorithm that harnesses the quantum dynamics of neutral-atom analog quantum computers to process data. We experimentally implement the algorithm, achieving competitive performance across various categories of machine learning tasks, including binary and multi-class classification, as well as timeseries prediction. Effective and improving learning is observed with increasing system sizes of up to 108 qubits, demonstrating the largest quantum machine learning experiment to date. We further observe comparative quantum kernel advantage in learning tasks by constructing synthetic datasets based on the geometric differences between generated quantum and classical data kernels. Our findings demonstrate the potential of utilizing classically intractable quantum correlations for effective machine learning. We expect these results to stimulate further extensions to different quantum hardware and machine learning paradigms, including early fault-tolerant hardware and generative machine learning tasks.

研究动机与目标

• 实现一种在中性原子模拟量子计算机上通用的、无梯度的量子水库学习算法。
• 在二分类/多分类和时间序列预测任务上展示学习性能。
• 研究QRC随系统规模增加的可扩展性及对噪声的鲁棒性。
• 使用核几何概念评估比较量子核优势。
• 提供证据表明在某些数据集上量子相关性带来实际学习收益。

提出的方法

• 使用全局脉冲、位置或局部脉冲编码，将数据编码到中性原子Rydberg哈密顿量。
• 让量子水库在带有 Omega(t)、V_jk、Delta_g(t) 与 Delta_l(t) 的 H(t) 下演化，并从 ⟨Z_j⟩ 与 ⟨Z_jZ_k⟩ 中提取测量嵌入。
• 由局部观测量形成嵌入 u_i[n]，并使用简单的经典后处理（线性SVM或回归器）。
• 将水库嵌入视为量子核 K(x[n], x[m]) = ⟨u[n], u[m]⟩，并分析核几何差异以评估量子优势。
• 明确一个通用参数区间，使 Omega、V 以及编码尺度处于可比数量级，减少对量子参数优化的需求。

实验结果

研究问题

• RQ1 使用中性原子硬件的无梯度QRC框架是否能在常见机器学习任务上取得竞争性表现？
• RQ2 QRC 如何随量子比特增加（最高至108）及测量的扩展而扩展，并且对硬件噪声有多鲁棒？
• RQ3 量子水库嵌入是否在设计数据集上相对于经典核获得比较量子核优势？
• RQ4 哪些编码方案（全局脉冲、位置、局部脉冲）在不同任务与硬件噪声条件下能最大化性能？
• RQ5 通用参数区间在实现抗噪、资源节俭的量子学习中的作用？

主要发现

• 在多类/二分类及时间序列预测等任务上的学习，量子比特达至108。
• 与经典基线相比表现具有竞争力，并在合成数据集上展示基于核几何的量子优势。
• 发现一个通用的参数岛，其中 Omega、V 和编码尺度相当，减少了参数调优需求。
• 在各任务上证明QRC在系统规模增至所探索的最大值（108量子比特）时性能提升。
• 比较了三种时间序列编码，发现仿真与实验之间有相位敏感差异，但编码排序保持一致。
• 在 MNIST 3/8 任务及合成数据集上展示了比较量子核优势，甚至在较小的 shot 下也可观察到优势。