Hierarchical quantum circuit representations for neural architecture search

要約

タイトル: ニューラルアーキテクチャサーチのための階層的量子回路表現

要約:
– QCNN (Quantum Convolutional Neural Networks)は、畳み込みニューラルネットワーク（CNN）のアーキテクチャにインスパイアされた回路モデルであり、近い将来の量子コンピューティングに有望なものである。
– CNNが手動での特徴デザインを必要とせず、生データから高次元の特徴を学ぶことができる成功をもたらしたため、それをベースにしたニューラルアーキテクチャサーチ（NAS）は最先端のパフォーマンスを実現している。
– QCNNにNASを適用する際には、よく定義されたサーチスペースの欠如という独自の問題がある。
– この研究では、NASの技術を用いてQCNNのアーキテクチャを表現する新しいフレームワークを提案し、サーチスペースのデザインとアーキテクチャサーチを可能にしている。
– このフレームワークを使用して、逆バイナリツリーに似た人気のあるQCNNファミリーを生成し、音楽ジャンル分類データセット（GTZAN）で評価して、回路アーキテクチャの重要性を正当化した。
– さらに、遺伝的アルゴリズムを用いて量子位相認識(QPR)を行うことで、表現のアーキテクチャサーチの例を示す。
– この研究は、モデルのパフォーマンスを向上させ、複雑さを増加させることなくコストのランドスケープをジャンプすることで改善する方法を提供している。
– 最後に、このフレームワークをオープンソースのPythonパッケージとして実装し、動的なQCNNの作成とNASのためのQCNNサーチスペースの設計を可能にしている。

要約(オリジナル)

Machine learning with hierarchical quantum circuits, usually referred to as Quantum Convolutional Neural Networks (QCNNs), is a promising prospect for near-term quantum computing. The QCNN is a circuit model inspired by the architecture of Convolutional Neural Networks (CNNs). CNNs are successful because they do not need manual feature design and can learn high-level features from raw data. Neural Architecture Search (NAS) builds on this success by learning network architecture and achieves state-of-the-art performance. However, applying NAS to QCNNs presents unique challenges due to the lack of a well-defined search space. In this work, we propose a novel framework for representing QCNN architectures using techniques from NAS, which enables search space design and architecture search. Using this framework, we generate a family of popular QCNNs, those resembling reverse binary trees. We then evaluate this family of models on a music genre classification dataset, GTZAN, to justify the importance of circuit architecture. Furthermore, we employ a genetic algorithm to perform Quantum Phase Recognition (QPR) as an example of architecture search with our representation. This work provides a way to improve model performance without increasing complexity and to jump around the cost landscape to avoid barren plateaus. Finally, we implement the framework as an open-source Python package to enable dynamic QCNN creation and facilitate QCNN search space design for NAS.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI