2022年4月の研究論文・ソフトウェア編


By Dr. Chris Mansell


過去1ヶ月間に発表された量子コンピューティングと量子通信に関して、興味深い研究論文の概要を紹介する。



【 Software 】


Title: An analytic theory for the dynamics of wide quantum neural networks(広帯域量子ニューラルネットワークのダイナミクスに対する解析的理論)

Organizations: The University of Chicago; Chicago Quantum Exchange; IBM; University of Maryland


 本論文は、教師あり学習を行う変分量子アルゴリズムを取り上げ、そのRTE(esidual training error)が勾配降下法によって学習される際にどのように変化するかを考察している。解析結果を得るためには、学習可能なパラメータの数が多いオーバー・パラメータ領域を考慮する必要があった。彼らは、ニューラル・タンジェント・カーネルの理論を用いて、RTEが指数関数的に収束することを見出したのである。この結果は、過去に発表されたいくつかの数値観測の結果に光を当てるものであり、即時に実用的な関心を得るものであった。さらに、指数関数的に収束する望ましい学習ダイナミクスを、手に負えない大量のパラメータを必要とせず、実現可能な量子回路の種類を特定することができた。今後は、多くの回路設計を検討し、新しいデータが与えられたとき、学習アルゴリズムがどの程度汎化できるかとの関連性を調べる予定となっている。


Link: https://arxiv.org/abs/2203.16711



Title: ADAPT-VQE is insensitive to rough parameter landscapes and barren plateaus(ADAPT-VQEは、荒れたパラメータランドスケープや不毛なプラトーに鈍感だ)

Organization: Virginia Tech


 変分量子固有値計算機(VQE)は、分子のエネルギー準位を計算するためのアルゴリズムだ。 この論文では、ADAPT-VQEと呼ばれるプロトコルの適応的問題に合わせたバージョンに焦点を当て、回路の変分パラメータを最適化する代わりに、回路の構造自体を繰り返し改善することを試みている。

 幾つかの分子の数値シミュレーションにより、ADAPT-VQEの初期推測が、局所的な最小を回避するのに役立つことが示された。仮に、局所的最小や不毛なプラトーといった厄介なパラメータ領域でアルゴリズムを発見したとしても、厳密解に向かって「潜る」ことができる。特に「gradient troughs」と呼ばれる課題が残っており、当面はこれを調査する予定である。


Link: https://arxiv.org/abs/2204.07179



Title: Out-of-distribution generalization for learning quantum dynamics(量子ダイナミクスの学習における分布外の一般化)

Organizations: Technical University of Munich; Munich Center for Quantum Science and Technology; Freie Universit ̈at Berlin; Caltech; Los Alamos National Laboratory; University of Southern California; AWE


 量子ニューラルネットワーク(QNN)は、引き続き人気のある研究テーマで、新しいプレプリントはとても有用な現象の最初の例を示している。通常は、機械学習のプロジェクトを始める前に、データセットにアクセスし、1つはモデルを学習するため、もう1つはそれをテストするため、2つに分割する。学習後に、テストデータで高得点を得た場合、そのモデルは分布内汎化能力を示したということができる。それにもかかわらず、代替データや修正データでテストすると、モデルがもろくなり、低スコアになることも。その場合、分布の外への汎化は、失敗したと言うことになる。

 この最新の研究は、QNNが分離可能な状態に対して、ユニタリ演算がどのように作用するかを学習し、次にそれらがもつれ合った状態に対しどのように作用するのかを問うたものだ。解析と数値計算の結果、QNNは、訓練分布からテスト分布へ、とてもよく汎化されることが示された。


Link: https://arxiv.org/abs/2204.10268



Title: Quantum Self-Supervised Learning(量子自己管理学習)

Organizations: University of Oxford; University of Cambridge


 機械学習(ML)は過去10年間で信じられないほどの成功を収めた。そして、量子コンピューティングの現在のトレンドは、MLのどのようなアイデアを量子領域に移植できるかを見極めることである。近年は、自己管理学習は、人間が注釈を付けたデータを必要とせず、MLモデルを学習する方法として注目されている。ラベルのないデータを使って自己監視を行うモデルは素晴らしいと思う。しかしそれには、計算コストが非常に高いという欠点がある。

 本論文では、量子ニューラルネットワーク(QNN)が、高次元のヒルベルト空間で動作するため、自己管理学習に必要な複雑なパターンを学習できる可能性があるという考えを示している。研究チームは、ノイズや非干渉性のないQNNをシミュレーションし、MLモデルが純粋な古典モデルよりも高い自己管理精度の達成を助けることができることを示した。IBMの「Paris」量子コンピュータでQNNを実行したところ、古典的な場合と同等の精度が得られ、NISQデバイスの不完全性に対してもロバストであることが示された。


Link: https://iopscience.iop.org/article/10.1088/2058-9565/ac6825




(翻訳:Hideki Hayashi)

提供:Quantum Computing Report