A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity

要約

最近の進歩により、現在の量子システムの限界、特に近い将来の量子デバイスで利用できる量子ビットの数が制限されていることが浮き彫りになっています。
この制約により、量子コンピューターを利用できるアプリケーションの範囲が大幅に制限されます。
さらに、利用可能な量子ビットが増加するにつれて、計算の複雑さが指数関数的に増大し、さらなる課題が生じます。
したがって、量子ビットを効率的に使用し、現在の制限と将来の複雑さの両方を軽減することが緊急に必要とされています。
これに対処するために、既存の量子アプリケーションは、古典システムと量子システムをハイブリッド フレームワークに統合しようとしています。
この研究では、量子深層学習に焦点を当て、co-TenQu と呼ばれる協調的な古典量子アーキテクチャを導入します。
古典的なコンポーネントは、圧縮と特徴抽出にテンソル ネットワークを採用し、限られた量子ビットで高次元データを論理量子回路にエンコードできるようにします。
量子側では、量子状態忠実度ベースの評価関数を提案し、両側間のフィードバック ループを通じてネットワークを反復的にトレーニングします。
co-TenQu は、シミュレーターと IBM-Q プラットフォームの両方で実装され、評価されています。
最先端のアプローチと比較して、co-TenQu は、公平な環境で古典的なディープ ニューラル ネットワークを最大 41.72% 強化します。
さらに、他の量子ベースの手法よりも最大 1.9 倍優れ、70.59% 少ない量子ビットを利用しながら同様の精度を実現します。

要約(オリジナル)

Recent advancements have highlighted the limitations of current quantum systems, particularly the restricted number of qubits available on near-term quantum devices. This constraint greatly inhibits the range of applications that can leverage quantum computers. Moreover, as the available qubits increase, the computational complexity grows exponentially, posing additional challenges. Consequently, there is an urgent need to use qubits efficiently and mitigate both present limitations and future complexities. To address this, existing quantum applications attempt to integrate classical and quantum systems in a hybrid framework. In this study, we concentrate on quantum deep learning and introduce a collaborative classical-quantum architecture called co-TenQu. The classical component employs a tensor network for compression and feature extraction, enabling higher-dimensional data to be encoded onto logical quantum circuits with limited qubits. On the quantum side, we propose a quantum-state-fidelity-based evaluation function to iteratively train the network through a feedback loop between the two sides. co-TenQu has been implemented and evaluated with both simulators and the IBM-Q platform. Compared to state-of-the-art approaches, co-TenQu enhances a classical deep neural network by up to 41.72% in a fair setting. Additionally, it outperforms other quantum-based methods by up to 1.9 times and achieves similar accuracy while utilizing 70.59% fewer qubits.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google