[论文解读] Storage properties of a quantum perceptron

Aikaterini, Gratsea+2 more|arXiv (Cornell University)|Nov 16, 2021

Neural Networks and Applications被引用 4

一句话总结

本文利用统计力学与自旋玻璃理论，研究了一种特定量子感知机架构的存储容量，表明其最大存储容量与量子比特数量呈线性关系，且显著优于经典对应架构。分析显示，在相同约束条件下，量子干涉与叠加效应使该架构的模式保留能力高于经典感知机。

ABSTRACT

Driven by growing computational power and algorithmic developments, machine learning methods have become valuable tools for analyzing vast amounts of data. Simultaneously, the fast technological progress of quantum information processing suggests employing quantum hardware for machine learning purposes. Recent works discuss different architectures of quantum perceptrons, but the abilities of such quantum devices remain debated. Here, we investigate the storage capacity of a particular quantum perceptron architecture by using statistical mechanics techniques and connect our analysis to the theory of classical spin glasses. We focus on a specific quantum perceptron model and explore its storage properties in the limit of a large number of inputs. Finally, we comment on using statistical physics techniques for further studies of neural networks.

研究动机与目标

• 确定 Tacchino 等人（2019）提出的量子感知机模型的最大存储容量，且不依赖于特定学习规则。
• 将原本为经典神经网络开发的 Gardner 程序应用于量子感知机架构。
• 探讨叠加与纠缠等量子效应在超越经典极限的存储容量增强中的作用。
• 建立量子感知机设计与自旋玻璃模型及统计场论之间的理论框架。
• 通过蒙特卡洛模拟与解析近似，比较量子与经典感知机的存储容量。

提出的方法

• 采用 Gardner 程序，将权重视为随机变量，通过分析输入模式与权重配置之间的重叠，计算量子感知机的存储容量。
• 使用一种带有受控酉操作 $V_{\vec{w}}$ 的量子感知机模型，该操作根据点积 $\vec{i}^\mu \cdot \vec{w}$ 将输入态映射到计算基态 $|m-1\rangle$。
• 采用多控制 Toffoli 门（多控制非门）与读出量子比特结合，投影输出振幅 $|c_{m-1}|^2 = |\vec{i}^\mu \cdot \vec{w}|^2$，实现基于测量的感知机输出读出。
• 应用副本场论与鞍点近似推导自由能与有效势，从而得出存储容量 $\alpha_c$ 的表达式。
• 对经典与量子感知机执行蒙特卡洛模拟，通过对随机输入模式与权重配置采样，估算平均存储容量 $\alpha(N_s) = \langle P \rangle / N_s$。
• 采用数值模拟，经典模型取 $N_s = N$，量子模型取 $N_s = m$，使用 $10000$ 个样本及 $m = 8, 16, 32$，以评估可扩展性与误差。

实验结果

研究问题

• RQ1 量子感知机的存储容量如何随其希尔伯特空间维度变化？
• RQ2 与具有伊辛权重的经典感知机相比，量子感知机的存储容量如何？
• RQ3 量子干涉与叠加在多大程度上可超越经典极限增强存储容量？
• RQ4 量子感知机的关键存储容量 $\alpha_c$ 是多少？其如何依赖于阈值 $\kappa$？
• RQ5 用于经典自旋玻璃的统计力学框架能否扩展至分析量子神经网络架构？

主要发现

• 量子感知机的存储容量与量子比特数量 $m$ 呈线性关系，当 $\kappa = 0$ 时，临界容量 $\alpha_c$ 达到最大值 $1/8$。
• 有效势的解析表达式预测临界容量 $\alpha_c(\kappa=0) = 1/8$，该结果由条件 $\alpha_c(2+\kappa)^2/2 = 1$ 推导得出。
• 蒙特卡洛模拟证实，由于量子叠加与干涉效应，量子感知机存储的模式数量显著多于其经典对应体，尤其在 $m$ 较大时更为明显。
• 随着阈值 $\kappa$ 增大，存储容量 $\alpha_c$ 下降，因为更高的阈值会缩小输入模式与权重配置之间的重叠区域。
• 该模型表明，量子感知机平均可存储 $P \approx \alpha_c \cdot m$ 个模式，其中 $\alpha_c$ 由量子相干性与模式重叠的相互作用决定。
• 针对 $m = 8, 16, 32$ 的数值结果表明，量子感知机的存储容量增长速度快于经典模型，暗示其在记忆容量方面存在量子优势。