TensorFlow Quantum：量子機械学習のためのオープンソースライブラリ(2/3)

１．TensorFlow Quantum：量子機械学習のためのオープンソースライブラリ(2/3)まとめ

・TFQにより研究者は量子データセット、量子モデル、制御パラメータをテンソルとして構築できる
・TFQの目標は量子処理を実行して通常は量子もつれ状態に隠されている有用な情報を抽出する事
・言い換えると量子もつれに隠された情報を古典的な相関にエンコードして後処理でアクセス可能にする

２．TensorFlow Quantumの仕組み

以下、ai.googleblog.comより「Announcing TensorFlow Quantum: An Open Source Library for Quantum Machine Learning」の意訳です。元記事の投稿は2020年3月9日、Alan HoさんとMasoud Mohseniさんによる投稿です。

TFQの仕組み
TFQにより、研究者は量子データセット、量子モデル、そして古典的な制御パラメータを単一の計算グラフのテンソルとして構築できます。

量子測定の結果は、TensorFlow Opsによって取得され、これが古典的な確率的イベントに繋がります。トレーニングは、標準のKeras関数を使用して実行できます。

量子データの使用方法を直感に理解するため、量子ニューラルネットワークを使用した教師付き分類問題として量子状態を分類する事ができます。

従来のMLと同様に、量子MLの重要な課題は、「ノイズの多いデータ」を分類することです。そのようなモデルを構築してトレーニングするために、研究者は次のことができます。

(1)量子データセットを準備する
量子データはテンソル(数値の多次元配列)としてロードされます。各量子データテンソルは、Cirqで記述された量子回路として指定され、その場で量子データを生成します。テンソルは、量子コンピューター上のTensorFlowによって実行され、量子データセットが生成されます。

(2)量子ニューラルネットワークモデルの評価
研究者はCirqを使用して量子ニューラルネットワークのプロトタイプを作成し、後でTensorFlow計算グラフの内部に埋め込むことができます。パラメータ化された量子モデルは、量子データの構造に関する知識に基づいて、いくつかの広範なカテゴリから選択できます。

モデルの目標は、量子処理を実行して、通常は量子もつれ状態に隠されている有用な情報を抽出することです。言い換えると、量子モデルが本質的に行っている事は、入力量子データの量子もつれを解き、隠された情報を古典的な相関にエンコードしたまま、局所的に測定し、古典的な後処理でアクセスできるようにします。

(3)サンプルまたは平均
量子状態の測定は、古典的なランダム変数からサンプルの形で古典的な情報を抽出する事で行われます。このランダム変数からの値の分布は、一般に量子状態自体と測定された観測可能量に依存します。

多くの変分アルゴリズムは期待値とも呼ばれる測定値の平均値に依存するため、TFQはステップ(1)および(2)を含んだ複数の実行にわたって平均を求める方法を提供します。

(4)古典的なニューラルネットワークモデルの評価
古典的な情報が抽出されると、それはさらに古典的な後処理に適した形式になります。抽出された情報は、測定された期待値との間の古典的な相関関係でエンコードされる可能性があるため、このような相関関係を抽出するために古典的なディープニューラルネットワークを適用できます。

(5)コスト関数の評価
古典的な後処理の結果が与えられると、コスト関数が評価されます。これは、量子データにラベルが付けられている場合ではモデルが分類タスクを実行する精度、またはタスクが教師付きでない場合に他の基準に基づいている可能性があります。

(6)勾配の評価とパラメーターの更新
コスト関数を評価した後、パイプライン内の任意パラメーターは、コストを削減すると予想される方向に更新する必要があります。これは、最も一般的には勾配降下法によって実行されます。