Fourier Analysis of Variational Quantum Circuits for Supervised Learning

技術要約：教師あり学習のための変分量子回路のフーリエ解析

問題提起
変分量子回路（VQC）は、教師あり学習における関数近似器としてますます活用されている。VQCの出力は、入力データの切断されたフーリエ和として表現できることが確立されているが、利用可能な周波数の集合（スペクトル）は、エンコーディング・ゲートのみによって決定されると仮定されることが多い。著者らは、この仮定における決定的な限界を特定している。すなわち、変分部分は特定のフーリエ係数をゼロに制約することができ、その結果、エンコーディングのみに基づけば理論的に利用可能であるはずの周波数が、スペクトルから事実上除去されてしまう。さらに、これらのフーリエ係数の変分パラメータに対する関数的依存性は、これまでほとんど探求されてこなかった。このような精密なスペクトル特性の欠如は、フルトレーニングを行うことなく、どのVQCアーキテクチャが特定のデータセットに最適であるかを予測することを困難にしている。

手法
本論文は、二段構えの手法を提案している。

1. 厳密なスペクトルおよび係数の計算：
   Nemkovら[18]のアルゴリズムに基づき、著者らは任意のVQC（具体的にはClifford + Pauli回路にトランスパイル可能なもの）に対して、厳密なフーリエ・スペクトルおよび係数を計算する手順を開発した。

• アルゴース： この手法は、ノードが標準正規形の回路を表すバイナリツリー構造を利用する。このツリー内のパスを辿り、パウリ回転に関連する三角関数因子を乗算することで、期待値を三角多項式の和へと分解する。
• 係数解析： 著者らは、フーリエ係数が変分パラメータ $\theta$ の三角多項式であることを導出した。また、組合せ部分の係数が消失するための必要十分条件を確立し、パラメータの値に関わらず厳密にゼロとなる周波数の特定を可能にした。
• データ解析： データセットと回路のスペクトルを比較するために、著者らは反復的な数値逆転法を用いた非一様高速フーリエ変換（NFFT）を採用している。これにより、非一様に配置された実世界のデータから周波数表現を抽出することが可能になる。

2. アーキテクチャ・ランキング・ヒューリスティック：
   著者らは、学習を行わずにVQCアーキテクチャをランク付けするための、データセットに応じた手法を提案している。核心となる仮説は、最適なアーキテクチャは、データセットの主要な周波数を含みつつ、学習可能性を確保するために（表現力と学習可能性のトレードオフに対処するため）スペクトルのサイズを十分に小さく保たなければならないというものである。

• スコアリング指標： スコアは以下の3つのコンポーネントに基づいて算出される：
  • $R_\Omega$: VQCの利用可能なスペクトルの外側に存在するデータセットのフーリエ係数のエネルギー。
  • $R_{corr}$: VQCの変分パラメータが、データセットの特定の相関および振幅を再現できる可能性を推定するマハラノビス距離のヒューリスティック。
  • $R_{punish}$: スペクトルのサイズに比例する罰則項であり、表現力は高いが学習が困難になる可能性のあるアーキテクチャを抑制する。
• 最も低い合計スコアを持つアーキテクチャが、データを最も良く適合させると予測される。

主な貢献

• 洗練されたスペクトル特性化： 本論文は、VQCのフーリエ・スペクトルはエンコーディング・ゲートのみによって決まるのではなく、変分層によって大きく制約されることを示している。これは、先行研究[16]で見られた利用可能な周波数の過大評価を修正するものである。
• 関数的依存性： 著者らは、フーリエ係数を変分パラメータの明示的な三角多項式として記述する初の記述を提供し、任意の回路に対して厳密なスペクトルと係数を計算するアルゴリズムを提示した。
• 予測的なアーキテクチャ選択： データセットのフーリエ変換を、解析的に導出された候補回路のスペクトルと比較することで、最適な適合VQCアーキテクチャを予測する新しいアルゴリズムを導入した。

結果
著者らは、11種類の異なるVQCアーキテクチャを、2つのデータセット（合成Friedman回帰関数、およびt-SNEにより2次元に縮退させたMNIST手書き数字データセット）を用いてテストした。

• スペクトルの変動性： すべてのアーキテクチャで同一のエンコーディング・ゲートを使用しているにもかかわらず、得られたフーリエ・スペクトルは大きく異なり、7個から6,000個以上の周波数に及んだ。これにより、変分層がスペクトルを能動的に削減（プルーニング）することが確認された。
• ランキング性能： 提案されたスコアリング手法は、Friedmanデータセットにおいて最も低いテスト損失を達成したアーキテクチャ（特に回路2、7、および9）を特定することに成功し、MNISTデータセットにおいても競争力のある性能を示した。
• 限界： 本研究では、ヒューリスティックは概ね性能と相関しているものの、$R_{corr}$ 項（係数のサブセットに基づく）が、スペクトルの特性は似ているが内部の係数相関が異なるアーキテクチャを完全に区別できない場合があることを指摘している。また、完全なスペクトルを計算するための計算コストは回路の深さに対して指数関数的に増大するため、現在のプルーフ・オブ・コンセプトは小規模な回路（4量子ビット、3レイヤー）に限定されている。

意義および主張
本論文は、変分パラメータとフーリエ係数の間の厳密な関数関係を決定できる最初のアルゴリズムを提供すると主張している。VQCの変分部分がスペクトルを制約することを明らかにすることで、著者らは、単に表現力を最大化するのではなく、タスクに合わせてVQCを設計すべきであると論じている。提案された手法は、モデルの性能を予測し、アーキテクチャを選択するための古典的なシミュレーションツールを提供し、不適切なモデルの学習に要する計算リソースを節約できる可能性がある。しかし、著者らは、古典的なシミュレーションの指数関数的なスケーリングにより、現在の手法は小規模な回路に限定されていること、またランキング・ヒューリスティックは有望ではあるものの、その構成要素の重み付けに関してさらなる洗練が必要であることを謙虚に述べている。