Quantum Advantage Seeker with Kernels (QuASK): a software framework to speed up the research in quantum machine learning

要約

量子情報の特性を活用して機械学習モデルを活用することは、おそらく量子コンピューティングの最も活発な研究分野です。
この関心により、量子アルゴリズムを実装、シミュレート、実行するための多数のソフトウェア フレームワーク (Qiskit、Pennylane、Bracket など) の開発が支援されてきました。
それらのほとんどは、量子回路を定義し、基本的な量子アルゴリズムを実行し、ソフトウェアが実行することになっているハードウェアに応じて低レベルのプリミティブにアクセスすることを可能にします。
ほとんどの実験では、これらのフレームワークを大規模な機械学習ソフトウェア パイプライン内に手動で統合する必要があります。
研究者は、さまざまなソフトウェア パッケージを理解し、長いコード スクリプトの開発を通じてそれらを統合し、結果を分析し、プロットを生成する責任を負います。
バグの平均数はプログラムの長さに比例して増加するため、長いコードは誤ったアプリケーションにつながることがよくあります。
さらに、他の研究者は、コード スクリプトに含まれるさまざまなソフトウェア フレームワークすべてに精通する必要があるため、実験を理解して再現するのに苦労するでしょう。
私たちは、Python で書かれたオープンソースの量子機械学習フレームワークである QuaASK を提案します。これは、特に量子カーネル技術に注目して、研究者が実験を行うのを支援します。
QuaASK は、データセットのダウンロード、前処理、量子機械学習ルーチン、結果の分析と視覚化を行うためのコマンドライン ツールとして使用できます。
QuaASK は、量子カーネルを通じてデータを分析するためのほとんどの最先端のアルゴリズムを実装しており、投影カーネル、(勾配降下) トレーニング可能な量子カーネル、構造最適化量子カーネルを使用する可能性があります。
当社のフレームワークはライブラリとして使用したり、既存のソフトウェアに統合したりして、コードの再利用を最大限に高めることもできます。

要約(オリジナル)

Exploiting the properties of quantum information to the benefit of machine learning models is perhaps the most active field of research in quantum computation. This interest has supported the development of a multitude of software frameworks (e.g. Qiskit, Pennylane, Braket) to implement, simulate, and execute quantum algorithms. Most of them allow us to define quantum circuits, run basic quantum algorithms, and access low-level primitives depending on the hardware such software is supposed to run. For most experiments, these frameworks have to be manually integrated within a larger machine learning software pipeline. The researcher is in charge of knowing different software packages, integrating them through the development of long code scripts, analyzing the results, and generating the plots. Long code often leads to erroneous applications, due to the average number of bugs growing proportional with respect to the program length. Moreover, other researchers will struggle to understand and reproduce the experiment, due to the need to be familiar with all the different software frameworks involved in the code script. We propose QuASK, an open-source quantum machine learning framework written in Python that aids the researcher in performing their experiments, with particular attention to quantum kernel techniques. QuASK can be used as a command-line tool to download datasets, pre-process them, quantum machine learning routines, analyze and visualize the results. QuASK implements most state-of-the-art algorithms to analyze the data through quantum kernels, with the possibility to use projected kernels, (gradient-descent) trainable quantum kernels, and structure-optimized quantum kernels. Our framework can also be used as a library and integrated into pre-existing software, maximizing code reuse.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google