[论文解读] Quantum Kitchen Sinks: An algorithm for machine learning on near-term quantum computers

C. W. Wilson, Johannes Otterbach+7 more|arXiv (Cornell University)|Jun 21, 2018

Quantum Computing Algorithms and Architecture被引用 1

一句话总结

量子厨房水槽提出了一种混合量子-经典算法，利用参数化量子线路将经典数据非线性映射到量子特征空间，从而在机器学习任务中实现性能提升。在合成数据集和MNIST数据集上，分类误差率分别从50%降低至<0.1%，以及从4.1%降低至1.4%，展示了在近场量子硬件上的显著性能提升。

ABSTRACT

Noisy intermediate-scale quantum computing devices are an exciting platform for the exploration of the power of near-term quantum applications. Performing nontrivial tasks in such devices requires a fundamentally different approach than what would be used on an error-corrected quantum computer. One such approach is to use hybrid algorithms, where problems are reduced to a parameterized quantum circuit that is often optimized in a classical feedback loop. Here we describe one such hybrid algorithm for machine learning tasks by building upon the classical algorithm known as random kitchen sinks. Our technique, called quantum kitchen sinks, uses quantum circuits to nonlinearly transform classical inputs into features that can then be used in a number of machine learning algorithms. We demonstrate the power and flexibility of this proposal by using it to solve binary classification problems for synthetic datasets as well as handwritten digits from the MNIST database. Using the Rigetti quantum virtual machine, we show that small quantum circuits provide significant performance lift over standard linear classical algorithms, reducing classification error rates from 50% to $<0.1\%$, and from $4.1\%$ to $1.4\%$ in these two examples, respectively. Further, we are able to run the MNIST classification problem, using full-sized MNIST images, on a Rigetti quantum processing unit, finding a modest performance lift over the linear baseline.

研究动机与目标

• 开发一种专为噪声中等规模量子（NISQ）设备设计的实用机器学习方法。
• 通过使用量子线路实现经典随机厨房水槽方法向量子领域的扩展，以实现特征变换。
• 证明小型量子线路可在真实世界数据集上为经典线性模型带来可测量的性能提升。
• 评估量子特征映射在模拟和物理量子硬件上的可扩展性和有效性。

提出的方法

• 该方法通过用参数化量子线路替代随机特征映射，将经典随机厨房水槽方法进行改进，以生成量子特征。
• 使用参数化ansatz将经典输入数据编码为量子态，通过应用酉变换生成非线性特征表示。
• 测量量子线路的输出，并将其用作经典线性分类器的特征，参数通过经典反馈回路进行优化。
• 利用基于梯度的优化方法在量子线路参数上进行训练，以最小化分类损失。
• 该算法在Rigetti量子虚拟机和物理量子处理单元（QPU）上进行了评估。
• 该方法利用量子线路的表达能力，生成经典线性模型无法实现的复杂非线性决策边界。

实验结果

研究问题

• RQ1 参数化量子线路是否能在NISQ设备上的机器学习模型中有效充当非线性特征映射？
• RQ2 与经典线性模型相比，小型量子线路在多大程度上提升了分类准确率？
• RQ3 量子厨房水槽在不同数据复杂度水平下的性能表现如何，包括真实世界数据集如MNIST？
• RQ4 该算法是否能在物理量子硬件上实现可测量的性能提升，而不仅限于模拟环境？

主要发现

• 在合成数据集上，量子厨房水槽将分类误差率从经典线性模型的50%降低至不足0.1%。
• 对于MNIST数据集，该方法将误差率从经典线性基线的4.1%降低至1.4%（使用量子增强特征映射）。
• 该算法成功在完整的MNIST图像数据集上运行，使用Rigetti量子处理单元，显示出相对于经典基线的适度但可测量的性能提升。
• 由参数化线路实现的量子特征映射生成了非线性决策边界，在合成数据和真实世界数据上均显著优于线性模型。
• 结果表明，即使在NISQ设备上使用浅层量子线路，也能在监督学习任务中提供有意义的优势。