Shot Optimization in Quantum Machine Learning Architectures to Accelerate Training

要約

タイトル：量子マシン学習アーキテクチャにおけるショット最適化によるトレーニングの加速化

要約：

– 本論文では、QMLモデルのトレーニング時間を減らすためのショット最適化手法を提案しています。
– MNISTおよびFMNISTデータセットに対する分類タスクを、ハイブリッド量子-古典のQMLモデルを使用してテストケースとして使用しています。
– データセットの短いバージョンと完全なバージョンのショット数を調べ、全バージョンのトレーニング時間が10倍高くなっても、完全なバージョンをトレーニングすることで、短いバージョンよりも5-6％高いテスト精度を得ることができることがわかりました。
– 次に、短いバージョンのデータセットに対して適応的なショット割り当てを提案し、トレーニングエポックごとにショット数を最適化して分類精度に与える影響を評価しました。
– 線形関数とステップ関数の2つのショット関数を使用し、MNISTデータセットでは、定数ショット関数に比べて、線形（ステップ）ショット関数で最大100倍のショット数を削減しても、損失が約0.01増加し、テスト精度が約4％（1％）低下することがわかりました。FMNISTデータセットでも同様の結果が得られました。
– 比較のため、ショット最適化手法を使用して異なる分子の基底状態エネルギー推定を行い、ステップ関数が最も安定した基底状態エネルギー予測を与え、1000倍少ないショット数でも同様の結果を得ることができることがわかりました。

要約(オリジナル)

In this paper, we propose shot optimization method for QML models at the expense of minimal impact on model performance. We use classification task as a test case for MNIST and FMNIST datasets using a hybrid quantum-classical QML model. First, we sweep the number of shots for short and full versions of the dataset. We observe that training the full version provides 5-6% higher testing accuracy than short version of dataset with up to 10X higher number of shots for training. Therefore, one can reduce the dataset size to accelerate the training time. Next, we propose adaptive shot allocation on short version dataset to optimize the number of shots over training epochs and evaluate the impact on classification accuracy. We use a (a) linear function where the number of shots reduce linearly with epochs, and (b) step function where the number of shots reduce in step with epochs. We note around 0.01 increase in loss and around 4% (1%) reduction in testing accuracy for reduction in shots by up to 100X (10X) for linear (step) shot function compared to conventional constant shot function for MNIST dataset, and 0.05 increase in loss and around 5-7% (5-7%) reduction in testing accuracy with similar reduction in shots using linear (step) shot function on FMNIST dataset. For comparison, we also use the proposed shot optimization methods to perform ground state energy estimation of different molecules and observe that step function gives the best and most stable ground state energy prediction at 1000X less number of shots.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI