Distributed Quantum Neural Networks via Partitioned Features Encoding

要約

量子ニューラルネットワークは、近い将来の量子コンピューティングにおける有望なアプリケーションであると期待されていますが、最適化中の勾配の消失や、限られた数の量子ビットと浅い回路による表現可能性の制限などの課題に直面しています。
これらの課題を軽減するために、複数の小さな回路を使用して大規模な回路の出力を近似することによって予測を行う、分散量子ニューラル ネットワークを使用するアプローチが提案されています。
ただし、大規模な回路の近似には、指数関数的な数の小規模な回路の評価が必要です。
ここでは代わりに、分割された特徴を複数の小さな量子ニューラル ネットワークに分散し、それらの期待値のアンサンブルを使用して予測を生成することを提案します。
分散アプローチを検証するために、Semeion および MNIST 手書き数字データセットの 10 クラス分類を示します。
Semeion データセットの結果は、私たちの分散アプローチは分類パフォーマンスにおいて単一量子ニューラル ネットワークを上回る可能性があるものの、過度の分割によりパフォーマンスが低下することを示唆しています。
それにもかかわらず、MNIST データセットでは、96% を超える精度で 10 クラスの分類に成功しました。
私たちが提案した方法は、大規模なデータセットに対して高精度の予測を達成しただけでなく、大規模な単一量子ニューラル ネットワークと比較して各量子ニューラル ネットワークのハードウェア要件を削減しました。
私たちの結果は、分散量子ニューラルネットワークが、近い将来の量子デバイスと互換性のある実用的な量子機械学習アルゴリズムの有望な方向性であることを強調しています。
私たちのアプローチが量子機械学習アプリケーションの探索に役立つことを願っています。

要約(オリジナル)

Quantum neural networks are expected to be a promising application in near-term quantum computing, but face challenges such as vanishing gradients during optimization and limited expressibility by a limited number of qubits and shallow circuits. To mitigate these challenges, an approach using distributed quantum neural networks has been proposed to make a prediction by approximating outputs of a large circuit using multiple small circuits. However, the approximation of a large circuit requires an exponential number of small circuit evaluations. Here, we instead propose to distribute partitioned features over multiple small quantum neural networks and use the ensemble of their expectation values to generate predictions. To verify our distributed approach, we demonstrate ten class classification of the Semeion and MNIST handwritten digit datasets. The results of the Semeion dataset imply that while our distributed approach may outperform a single quantum neural network in classification performance, excessive partitioning reduces performance. Nevertheless, for the MNIST dataset, we succeeded in ten class classification with exceeding 96\% accuracy. Our proposed method not only achieved highly accurate predictions for a large dataset but also reduced the hardware requirements for each quantum neural network compared to a large single quantum neural network. Our results highlight distributed quantum neural networks as a promising direction for practical quantum machine learning algorithms compatible with near-term quantum devices. We hope that our approach is useful for exploring quantum machine learning applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google