[论文解读] Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications

Yaswitha Gujju, Atsushi Matsuo+1 more|arXiv (Cornell University)|Jul 3, 2023

Quantum Computing Algorithms and Architecture被引用 6

一句话总结

本综述评估了在近期量子硬件上应用的监督式与非监督式量子机器学习（QML）技术，重点关注高能物理、医疗保健和金融等现实应用。文章分析了数据编码、量子电路参数化方案设计、错误缓解和优化等关键挑战，同时突出了性能权衡，并提出了开放科学实践以提升可复现性与可扩展性。

ABSTRACT

The past decade has witnessed significant advancements in quantum hardware, encompassing improvements in speed, qubit quantity, and quantum volume-a metric defining the maximum size of a quantum circuit effectively implementable on near-term quantum devices. This progress has led to a surge in Quantum Machine Learning (QML) applications on real hardware, aiming to achieve quantum advantage over classical approaches. This survey focuses on selected supervised and unsupervised learning applications executed on quantum hardware, specifically tailored for real-world scenarios. The exploration includes a thorough analysis of current QML implementation limitations on quantum hardware, covering techniques like encoding, ansatz structure, error mitigation, and gradient methods to address these challenges. Furthermore, the survey evaluates the performance of QML implementations in comparison to classical counterparts. In conclusion, we discuss existing bottlenecks related to applying QML on real quantum devices and propose potential solutions to overcome these challenges in the future.

研究动机与目标

• 评估真实量子硬件上监督式与非监督式量子机器学习（QML）的当前状态。
• 识别并分析关键实现挑战，包括数据编码、量子电路结构、错误缓解和优化方法。
• 在高能物理、医疗保健和金融等现实领域，评估QML相对于经典方法的性能表现。
• 通过开放科学与标准化实践，解决量子机器学习实验中的可复现性与可扩展性问题。
• 提出未来研究方向，包括联邦学习与量子增强（quantum boosting），以提升噪声中等规模量子（NISQ）设备的利用率。

提出的方法

• 调研近期在高能物理、医疗保健和金融领域真实量子硬件上的QML实现。
• 聚焦两种主要框架：变分量子线路（PQCs）与量子核方法，二者均适用于NISQ设备。
• 分析经典数据的编码技术，包括振幅编码与振幅-相位编码方案，以将经典输入映射为量子态。
• 评估零噪声外推与概率误差补偿等错误缓解策略，以应对NISQ设备中的噪声影响。
• 评估参数化量子线路的基于梯度的优化方法，包括“ barren plateau ”（平坦区）与梯度消失等挑战。
• 提出开放科学实践，包括详细超参数文档记录与开源代码共享，以提升可复现性与协作性。

实验结果

研究问题

• RQ1 在现实应用中，当前近似量子硬件在实现QML时面临哪些主要限制？
• RQ2 在金融、医疗保健与高能物理等现实数据集上，变分量子线路与量子核方法在性能与可扩展性方面如何比较？
• RQ3 错误缓解与数据编码技术在当前量子处理器上对QML模型的准确率与可靠性有多大影响？
• RQ4 联邦学习与量子增强在扩展分布式、低能力量子设备上的QML方面可发挥何种作用？
• RQ5 鉴于硬件噪声与访问受限，如何提升量子机器学习实验的可复现性与透明度？

主要发现

• 由于与当前硬件约束的兼容性，量子核方法与变分量子线路是近期设备上QML的主导框架。
• 零噪声外推等错误缓解技术已使大型电路（如127量子比特设备）的精确期望值测量成为可能，但其随量子比特数量增加而扩展性较差。
• 数据编码策略显著影响模型性能，其中振幅编码提供更高表达能力，但资源需求更大。
• 可复现性仍是主要挑战，源于硬件噪声、校准漂移与算法变异性，亟需详尽文档与开源代码支持。
• QML与经典方法的性能比较必须考虑经典方法在模拟量子动力学方面的进展，以避免对量子优势的偏倚评估。
• 联邦学习与量子增强是提升分布式、噪声量子资源上QML可扩展性的有前景方向，但需进一步研究以验证其有效性。