Quantum Machine Learning Architecture Search via Deep Reinforcement Learning

要約

量子コンピューティング (QC) と機械学習 (ML) の急速な進歩により、量子コンピューティングの強みを活用して ML を推進することを目的とした、量子機械学習 (QML) の急成長分野が誕生しました。
その約束にもかかわらず、効果的な QML モデルを作成するには、モデルの複雑さとノイズのある中間スケール量子 (NISQ) デバイスでの実現可能性の間の微妙なバランスを取るための深い専門知識が必要です。
複雑なモデルは堅牢な表現機能を提供しますが、その広範な回路深さにより、既存のノイズの多い量子プラットフォームでのシームレスな実行が妨げられる可能性があります。
この論文では、深層強化学習を採用して、指定された教師あり学習タスクに合わせて調整された熟練した QML モデル アーキテクチャを探索することで、QML モデル設計のこの困難に対処します。
具体的には、私たちの方法論には、事前に決められた分析なしで QML モデルの発見を容易にするポリシーを考案するように RL エージェントをトレーニングすることが含まれます。
さらに、学習目標を動的に調整するための適応メカニズムを統合し、エージェントの学習プロセスの継続的な改善を促進します。
広範な数値シミュレーションを通じて、分類タスクの領域におけるアプローチの有効性を示します。
私たちが提案した方法は、ゲート深さを最小限に抑えながら高い分類精度を達成できる VQC アーキテクチャを特定することに成功しました。
この先駆的なアプローチは、AI 駆動の量子回路設計の研究を前進させるだけでなく、NISQ 時代のパフォーマンス向上に大きな期待をもたらします。

要約(オリジナル)

The rapid advancement of quantum computing (QC) and machine learning (ML) has given rise to the burgeoning field of quantum machine learning (QML), aiming to capitalize on the strengths of quantum computing to propel ML forward. Despite its promise, crafting effective QML models necessitates profound expertise to strike a delicate balance between model intricacy and feasibility on Noisy Intermediate-Scale Quantum (NISQ) devices. While complex models offer robust representation capabilities, their extensive circuit depth may impede seamless execution on extant noisy quantum platforms. In this paper, we address this quandary of QML model design by employing deep reinforcement learning to explore proficient QML model architectures tailored for designated supervised learning tasks. Specifically, our methodology involves training an RL agent to devise policies that facilitate the discovery of QML models without predetermined ansatz. Furthermore, we integrate an adaptive mechanism to dynamically adjust the learning objectives, fostering continuous improvement in the agent’s learning process. Through extensive numerical simulations, we illustrate the efficacy of our approach within the realm of classification tasks. Our proposed method successfully identifies VQC architectures capable of achieving high classification accuracy while minimizing gate depth. This pioneering approach not only advances the study of AI-driven quantum circuit design but also holds significant promise for enhancing performance in the NISQ era.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google