[论文解读] VQE-generated quantum circuit dataset for machine learning

Akimoto Nakayama, Kosuke Mitarai+3 more|arXiv (Cornell University)|Feb 20, 2023

Quantum Computing Algorithms and Architecture被引用 9

一句话总结

该论文提出一个经过变分量子特征求解器（VQE）优化的量子电路数据集，用于对量子电路进行聚类与分类，并在模拟器和真实量子硬件上展示了学习能力。

ABSTRACT

Quantum machine learning has the potential to computationally outperform classical machine learning, but it is not yet clear whether it will actually be valuable for practical problems. While some artificial scenarios have shown that certain quantum machine learning techniques may be advantageous compared to their classical counterpart, evidence does not yet suggest that quantum machine learning has surpassed conventional approaches in dealing with standard classical datasets, such as MNIST dataset. In contrast, dealing with quantum data, such as quantum states or circuits, may be the task where we can benefit from quantum methods. Therefore, it is important to develop practically meaningful quantum datasets for which we expect quantum methods to be superior. In this paper, we propose a machine learning task that is likely to soon arise in the real world: clustering and classification of quantum circuits. We provide a dataset of quantum circuits optimized by the variational quantum eigensolver. We utilized six common types of Hamiltonians in condensed matter physics, with a range of 4-20 qubits, and applied ten different ansatz with varying depths (ranging from 3 to 32) to generate a quantum circuit dataset of six distinct classes, each containing 300 samples. We show that this dataset can be easily learned using quantum methods. In particular, we demonstrate a successful classification of our dataset using real four-qubit devices available through IBMQ. By providing a setting and an elementary dataset where quantum machine learning is expected to be beneficial, we hope to encourage and ease the advancement of the field.

研究动机与目标

• 提出一个在最近的量子云服务中可能出现的实用量子机器学习任务（电路的聚类/分类）。
• 提供一个由VQE在六个哈密顿量和六种布阵类型、深度D从3到32生成的 elementary、带标签的量子电路数据集。
• 展示量子方法在仿真和真实设备设置下能够学习该数据集。
• 强调作为量子电路编译器/转译器和未来数据驱动分析基准的潜在用途。

提出的方法

• 构建一个包含1800个电路的数据集（N=4时为1500个），由VQE优化以得到六个哈密顿量的基态，使用六种布阵类型，电路深度D从3到32。
• 提供六个标签对应哈密顿量；对每个标签在每个比特数下生成300个电路（N=4,8,12,16,20）。
• 使用精确的无噪声期望值进行BFGS优化参数，直到收敛条件满足。
• 用QASM格式表示电路，并评估输出态保真度 |<0|U_m^† U_{m'}|0>|^2，用于聚类/分类。
• 用t-SNE可视化数据，并用k-medoids和调整后的兰德指数（ARI）评估聚类。
• 展示基于核SVM的电路参数特征进行分类的可行性，并在真实硬件（4量子比特的IBMQ）和带噪声的模拟器上证明可行性。

实验结果

研究问题

• RQ1 不同哈密顿量优化得到的量子电路是否可以基于输出态相似性进行聚类或分类？
• RQ2 所提出的VQE生成的电路数据集是否可被量子方法学习，对经典ML基线是否具有挑战性？
• RQ3 在真实量子硬件上数据集的分类或聚类能力有多大，噪声如何影响性能？
• RQ4 该数据集是否可作为量子电路设计、编译与云提供商分析的实际基准？

主要发现

• 在理想量子计算机上，N=4,8,12,16,20比特的无监督聚类都很容易实现，ARI分别为0.992、0.968、0.927、0.883和0.692。
• 4、8、12、16比特数据集显示出高聚类质量；20比特数据因子集5较难而难度增大。
• 在真实硬件上，4量子比特聚类被证明是完美的（在所报告的设置内）。
• 对20量子比特数据的带噪声模型仿真给出ARI 0.720，表明在现实噪声下学习较大比特数是可行的。
• 使用标准特征映射的经典ML总体表现薄弱；对哈密顿量-布阵数据，采用电路参数特征的SVM约有80%的准确率，其余情况接近随机。
• 该数据集已在GitHub公开，提供多比特数和标签的QASM格式。