[论文解读] Representation Theory for Geometric Quantum Machine Learning

Michael Ragone, Paolo Braccia+6 more|arXiv (Cornell University)|Oct 14, 2022

Topological and Geometric Data Analysis被引用 32

一句话总结

tldr: 使用表示理论来编码并利用几何量子机器学习中的对称性的一种入门框架，包含离散和连续群的示例以及像 Haar 积分和 twirling 这样的实用工具。

ABSTRACT

Recent advances in classical machine learning have shown that creating models with inductive biases encoding the symmetries of a problem can greatly improve performance. Importation of these ideas, combined with an existing rich body of work at the nexus of quantum theory and symmetry, has given rise to the field of Geometric Quantum Machine Learning (GQML). Following the success of its classical counterpart, it is reasonable to expect that GQML will play a crucial role in developing problem-specific and quantum-aware models capable of achieving a computational advantage. Despite the simplicity of the main idea of GQML -- create architectures respecting the symmetries of the data -- its practical implementation requires a significant amount of knowledge of group representation theory. We present an introduction to representation theory tools from the optics of quantum learning, driven by key examples involving discrete and continuous groups. These examples are sewn together by an exposition outlining the formal capture of GQML symmetries via "label invariance under the action of a group representation", a brief (but rigorous) tour through finite and compact Lie group representation theory, a reexamination of ubiquitous tools like Haar integration and twirling, and an overview of some successful strategies for detecting symmetries.

研究动机与目标

• 激励并介绍表示理论，作为在 Geometric Quantum ML (GQML) 中整合对称性的基工具。
• 提供具体的离散群和连续群的示例，以说明量子数据中的标签不变对称性。
• 解释群、表示和李代数如何捕捉与 QML 模型相关的物理和抽象对称性。
• 展示在 QML 中使用的关键表示理论工具（Haar 积分、twirling、对交换子/互换子，Schur-Weyl 对偶性）。
• 概述在实际 QML 任务中检测和利用对称性的策略。

提出的方法

• 通过量子态在群作用下的标签不变性，将对称性在 QML 中形式化。
• 描述参量化量子通道和测量算子保持对称性预测的等变性条件。
• 引入有限群和紧李群表示理论，作为 QML 对称性分析的数学支柱。
• 给出离散群（例如 bit-flip、SWAP）和连续群（例如 SU(2)）的具体示例，以说明抽象概念。
• 展示并将表示理论工具（Haar 积分、twirling、对交换子、Schur-Weyl 对偶性）连接到 QML 架构和数据处理。
• 提供检测对称性以及为给定任务选择合适对称群的实用指南。

实验结果

研究问题

• RQ1 表示理论如何形式化并利用量子机器学习数据中的对称性？
• RQ2 在典型的 QML 任务中，哪些离散和连续对称群可以保持数据标签？如何识别它们？
• RQ3 如何构建等变量子网络以确保在所选群作用下的标签不变量？
• RQ4 哪些表示理论工具（Haar 积分、twirling、Schur-Weyl 对偶性）在设计具对称感知的 QML 模型时最有用？
• RQ5 李代数和李群如何与量子数据及 QML 架构中遇到的对称性结构相关？

主要发现

• 该论文提供了一个面向 QML 的实用表示理论入门，强调标签不变对称性及其在模型设计中的利用。
• 它通过离散和连续群示例（包括 SU(2) 和张量积群）将对称性概念联系到具体的量子 ML 任务。
• 参量化量子通道和测量算子的等变性确保预测在群作用下保持不变（h_theta(U rho U^†) = h_theta(rho)）。
• 关键表示理论工具（Haar 积分、twirling、对交换子、Schur-Weyl 对偶性）被证明支撑常见的 QML 构建和数据处理技术。
• 该工作提供了一个结构化框架，将物理对称性抽象化为抽象群，并利用它们的表示理论来构建健壮、对称性感知的 QML 模型。