Certainty In, Certainty Out: REVQCs for Quantum Machine Learning

要約

量子機械学習 (QML) の分野は、新しい機械学習プロトコルの発見や従来の機械学習プロトコルの飛躍的な高速化を期待して最近登場しました。
勾配の消失や効率的なエンコード方法の問題は別として、量子コンピューターのサンプリングの性質により、勾配計算で近似の期待値を使用するために古典的に計算をシミュレートするか、量子コンピューターで計算を何度も実行することが促進されるため、これらの高速化を見つけるのは困難です。
このペーパーでは、単一サンプルの高い精度を主な目標として設定することを例に挙げます。
我々は、高精度かつ正確なサンプル推論を可能にする統計理論を議論し、その目的に向けた逆トレーニングの方法を提案します。
MNIST および MNIST ファッション データセットのランダムなバイナリ サブセットに対して、標準方向と逆方向の両方でトレーニングされたいくつかの効果的な変分量子回路 (VQC) を評価することによって、このトレーニング方法の有効性を示します。このトレーニング方法では、10 ドルの増加が得られます。
単一サンプルの推論精度は 15\%$ です。

要約(オリジナル)

The field of Quantum Machine Learning (QML) has emerged recently in the hopes of finding new machine learning protocols or exponential speedups for classical ones. Apart from problems with vanishing gradients and efficient encoding methods, these speedups are hard to find because the sampling nature of quantum computers promotes either simulating computations classically or running them many times on quantum computers in order to use approximate expectation values in gradient calculations. In this paper, we make a case for setting high single-sample accuracy as a primary goal. We discuss the statistical theory which enables highly accurate and precise sample inference, and propose a method of reversed training towards this end. We show the effectiveness of this training method by assessing several effective variational quantum circuits (VQCs), trained in both the standard and reversed directions, on random binary subsets of the MNIST and MNIST Fashion datasets, on which our method provides an increase of $10-15\%$ in single-sample inference accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google