Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms

本論文は、量子サポートベクターマシンにおけるデータ符号化回路を最適化するために遺伝的アルゴリズムを用いた自動化フレームワークを提示し、得られるカーネルが標準的な手法と同等以上の分類精度を達成しつつ、テスト精度と量子カーネルエントロピーとの間に正の相関が認められることを示す。

要約

巨大な混ざり合った靴下の山を「左」と「右」の山に分類しようとしていると想像してください。コンピュータの世界では、これを分類と呼びます。これを行うための人気のあるツールが**サポートベクターマシン（SVM）**です。SVM を想像してみてください。2 つのグループのものを混ぜないように、それらの間に完璧な線（あるいは壁）を描こうとする、非常に賢いロボットです。

しかし、このロボットを量子コンピューティング（物理の奇妙な法則を使って情報を処理するコンピュータの世界）へと移すと、ロボットはデータを理解するための特別な指示セットを必要とします。これらの指示は量子カーネルと呼ばれます。

問題：指示を設計するのは難しい

通常、科学者たちはこれらの量子指示を手動で設計しなければなりません。それは、複雑なレゴ機械を手で組み立て、どの部品がどこに合うか推測し、うまくいくことを願うようなものです。時間がかかり、しばしば機械はあまりうまく機能しません。

解決策：進化に任せる

この論文は、GEKO（遺伝子工学カーネル最適化）と呼ばれる新しい手法を紹介しています。人間が指示を設計する代わりに、研究者たちはコンピュータプログラムに自然進化のように振る舞わせました。

彼らがどのように行ったか、簡単な比喩を使って説明します。

1. 個体群: さまざまな、ランダムに組み立てられたレゴ機械（これらが「回路」です）でいっぱいの箱を想像してください。
2. テスト: これらの機械を靴下の分類作業に投入します。
3. 適者生存: 靴下の分類を最もうまく行った機械は残され、失敗したものは捨てられます。
4. 突然変異: 成功した機械はコピーされますが、小さなランダムな変更が加えられます（赤いレンガを青いレンガに交換したり、新しい部品を追加したりするなど）。
5. 繰り返し: このサイクルが何度も繰り返されます。自然界と同様に、多くの世代を経て、「機械」は人間が具体的にどのように行うかを教えることなく、靴下の分類をますます上手に行えるようになります。

研究者たちは、これらの回路を構築するために、量子レゴ部品（X、CNOT などのゲート）の特定の「工具箱」を使用しました。

成功を判断する 2 つの方法

この論文は、どの機械が最も「適している」かを決定する 2 つの異なる方法をテストしました。

• 「教師」方式（教師あり）: コンピュータには、正しいラベル付きの靴下（例：「これは左の靴下です」）が与えられます。機械が正解を得たかどうかを確認します。これは教師がテストを採点するようなものです。
• 「自己発見」方式（教師なし）: コンピュータにはラベルなしの靴下が与えられます。正解をチェックする代わりに、機械の内部状態がどれほど「複雑」または「絡み合っている」かを見ます。より複雑な内部構造の方が、隠れたパターンを見つけるのに優れているかもしれないという考えに基づいています。これは最終結果ではなく、機械の歯車がいかに精巧であるかによって機械を評価するようなものです。

彼らが発見したこと

研究者たちは、この「進化的」な手法を、単純な作り物の形状（月や円など）から、ワインの種類、乳がんの記録、薬の分類などの実世界データまで、いくつかのデータセットでテストしました。

• 標準的手法より優れている: この遺伝的アルゴリズムによって進化させた機械は、人間が通常使用する標準的手法と同等か、それ以上の性能を発揮しました。彼らは一貫して「PauliZZ」と呼ばれる一般的な量子手法を打ち負かしました。
• 滑らかな決定: 研究者たちが機械がどのように決定を下したかを見ると、遺伝的アルゴリズムはグループ間の非常に滑らかで明確な境界を作成しました。標準的手法は時々「パッチ状」または乱雑な境界を作成することがありました。
• エントロピーの謎: 研究者たちは、内部により多くの「混沌」（エントロピー）を持つ機械の方が賢くなるのではないかと疑問に思いました。彼らは、機械がどれほど混沌としていたかとその性能の間に強い関連性はないことを発見しました。乱雑な機械が必ずしも賢い機械というわけではありません。

結論

この論文は、データを分類するための最良の量子指示を設計するために、人間の天才を必要としないことを示しています。遺伝的アルゴリズム（進化のデジタル版）を使用することで、これらの指示を自動的に成長させることができます。その結果、データを効率的に分類する量子機械が生まれ、将来的には金融、医療、科学のためのツールをより強力にする可能性があります。

要約すると：彼らは量子脳を手で構築する代わりに、それが自ら進化させることを許し、それは非常に優秀な学生であることがわかりました。

技術概要

技術的概要：遺伝的アルゴリズムを用いた量子サポートベクターマシンにおけるカーネル整列

問題定義
量子サポートベクターマシン（QSVM）は、データ点間の類似度を測定するために量子カーネル関数に依存しており、非線形に分離可能なデータの処理や高次元特徴空間での動作において、古典的な SVM に対する潜在的な利点を提供します。しかし、これらのカーネルにデータを符号化するために必要な量子回路（特徴マップ）の設計は、容易な作業ではありません。既存の設計手法（解析的、数値的、変分的手法）は、計算効率、柔軟性、または特定のデータセットに対する最適結果の生成能力に関して、それぞれ限界を有しています。手動の試行錯誤に依存することなく分類精度を向上させるために、これらの符号化回路を最適化する自動化アプローチが必要です。

手法
著者は、「遺伝的エンジニアリングカーネル最適化（GEKO）」と名付けられた自動化フレームワークを提案します。これは、状態準備のための遺伝的アルゴリズム（GASP）フレームワークの拡張です。このアプローチは、QSVM カーネルおよび量子ニューラルネットワーク（QNN）の特徴マップの両方に対する最適な量子回路構造を探索するために、遺伝的アルゴリズム（GA）を利用します。

• 回路構築: GA は、IBM ハードウェアにネイティブな汎用ゲートセットを使用して回路を探索します。これには、単一量子ビットゲートである $X$、$\sqrt{X}$、$R_z$ ゲート、および 2 量子ビット CNOT ゲートが含まれます。
• 最適化戦略: 本研究は、GA に対して 2 つの異なる適合度関数を評価します。
  1. 教師あり GEKO: 適合度は、生成されたカーネルを使用してラベル付きデータで訓練された QSVM の分類精度に基づいて評価されます。
  2. 教師なし GEKO: 適合度は、カーネル行列の固有値分析、具体的には最大正規化固有値の最大化を通じて評価されます。この手法は、回路選択プロセス中にデータラベルを利用しません。
• 進化プロセス: アルゴリズムは量子回路の個体群を初期化します。個体は 50% の確率で突然変異を起こし、新しい候補を作成します。最も適した個体は、訓練パフォーマンスに基づいて選択されます。汎用性を確保し過学習を防ぐため、新しい候補が検証セットでより高い適合度を示した場合にのみ、ベース個体が更新されます。遺伝子数（回路の深さ/複雑さ）は、目標適合度閾値を満たすために必要な最小回路を見つけるために、二分探索を通じて動的に調整されます。
• データセット: このフレームワークは、9 つのデータセット（3 つの合成データ：Moons、XOR、Circles および 6 つの実世界データ：Iris、Wine、Breast Cancer、Irrigation、Parkinson's、Drug Classification）でテストされました。主成分分析（PCA）は、分散の 95% を説明する次元に特徴次元を削減するために使用されました。

主要な貢献

1. 自動化された回路生成: 本論文は、QSVM および QNN 用の量子符号化回路を自動的に生成するために遺伝的アルゴリズムを適用することを示しており、手動の回路設計への依存を排除します。
2. 比較適合度分析: 本研究は、カーネル最適化のための教師あり（精度ベース）および教師なし（固有値ベース）の適合度関数を導入し比較し、それらが回路パフォーマンスに与える影響を分析します。
3. エントロピーと精度の相関: 本研究は、生成された回路におけるエンタングルメントのフォン・ノイマンエントロピーとテスト精度の関係を調査し、より高いエンタングルメントがより良い分類性能と相関するかどうかに関する実証データを提供します。
4. ハードウェアネイティブ実装: 生成された回路は、現在の IBM 量子ハードウェアと互換性のあるゲートセットを利用しており、実用的な適用性を保証します。

結果

• パフォーマンス対ベンチマーク: テストされたすべてのデータセットにおいて、GEKO によって生成されたカーネル（教師ありおよび教師なしの両方）は、標準的な PauliZZ 量子カーネルを一貫して上回りました。これらは古典的なラジアル基底関数（RBF）カーネルと同等のパフォーマンスを示し、場合によってはそれを上回りました。
• 決定境界: 決定境界の視覚的分析により、GEKO および RBF カーネルはクラスを効果的に分離する滑らかで明確に定義された境界を生成することが明らかになりました。一方、PauliZZ カーネルは、クラスを適切に分離できないパッチ状の境界をもたらすことが多かったです。
• 教師あり対教師なし: 教師ありおよび教師なしの GEKO 手法は、データセット全体で同等のパフォーマンスをもたらしました。これは、これらの特定のタスクにおいて、教師なしの固有値ベースの指標が分類精度の代替指標として機能し、最適化段階中のラベル付きデータの必要性を軽減する可能性があることを示唆しています。
• エントロピーと精度: テスト精度とフォン・ノイマンエントロピーの分析は、ほとんど、あるいは全く強い相関を示しませんでした。いくつかのデータセットは弱い正の勾配を示しましたが、他のデータセットは負または無視できる相関を示しました。著者らは、回路エントロピーを増加させることが必ずしもテスト精度の向上を保証するわけではないと結論付けています。
• QNN 最適化: QNN に適用された場合、GA によって最適化された特徴マップは、ネットワークが最適化のプラトーを克服し、滑らかな決定境界を持つ合成データセットで高いテスト精度を達成することを可能にしました。

意義と主張
本論文は、量子回路最適化に遺伝的アルゴリズムを採用することが、手動設計に対する有望な代替手段を提供し、標準的な古典的および量子カーネル手法と同等かそれ以上の性能を持つ回路を生成できることを主張しています。著者らは、この自動化フレームワークが試行錯誤を削減し、金融、医療、材料科学などの分野における QSVM および QNN のパフォーマンスを向上させるための実用的なツールとなる可能性があると提唱しています。

本研究は、この手法が標準的な分類タスクに対して顕著な可能性を示しているものの、より大規模で複雑な実世界データセットにおけるその有効性を検証するためにはさらなる研究が必要であるという、控えめな結論で終わります。著者らはまた、目標データに対して高度に汎用化され、かつ最適化されたモデルを構築するために、教師ありおよび教師なしの適合度関数を組み合わせる将来の道筋を提案しています。