QCNN with Rough Path Signature Kernels

技術要約：Rough Path Signature Kernelを用いたQCNN

問題提起
時系列解析は、時系列データにおける時間再パラメータ化に対する不変性という根本的な課題に直面している。明示的な時間パラメータ化に依存する標準的な機械学習モデルは、データが任意の加速、減速、または非線形なワーピング（歪み）を受けた際に、意味のある特徴量を抽出することに苦慮する。一方、ラフパス理論（Rough Path Theory）は、「シグネチャ（signature）」変換を通じて解決策を提示する。これは反復積分による無限次元の特徴ベクトルであり、本質的に時間再パラメータ化に対して不変である。しかし、このシグネチャの計算は計算量的に極めて困難である。項の数は、パスの次元と打ち切り次数に応じて指数関数的に増加する。シグネチャカーネル（シグネチャの内積）は、特定の2次双曲型偏微分方程式（PDE）を解くことで、明示的な特徴量の計算を回避できるが、離散化されたカーネルから導かれる線形システムは依然として大規模かつ疎（sparse）であり、大規模なアプリケーションにおけるボトルネックとなっている。

手法
著者らは、ラフパス・シグネチャと量子畳み込みニューラルネットワーク（QCNN）を統合することで、時系列分類に対処するために設計されたハイブリッド量子・古典アーキテクチャを提案している。パイプラインは主に以下の2つの段階で構成される：

1. シグネチャカーネル計算（特徴量レイヤー）：
   核心となる革新は、参照パスとターゲットパスの間のシグネチャカーネルを計算することである。このカーネルは、Goursat問題（特定のPDE）の解として定義される。著者らは、このPDEの差分法から導出された離散化線形システム（$Ax=b$）を解くための2つの手法を検討している：

   • 変分量子線形ソルバー（VQLS）： パラメータ化された量子状態に解をエンコードする量子アプローチである。行列 $A$ はユニタリ行列の線形結合に分解され、ハードウェア効率的なアンザッツ（単一量子ビットの $Y$ 回転とCNOTゲートの交互レイヤー）が、ターゲット状態とのオーバーラップを最小化するために局所コスト関数を用いて最適化される。
   • 古典的ソルバー： ベースラインおよび実用的な代替案として、著者らはカーネルを評価するために古典的な数値ソルバー（具体的には sigkernel ライブラリ）を利用している。

2. 量子分類（QCNNレイヤー）：
   計算されたカーネル特徴量はQCNNに供給される。著者らは、手書き数字（0と1）の二値分類タスク（筆跡のストロークシーケンスに変換されたMNISTデータセットを使用）に対し、3つの具体的なアーキテクチャ構成を調査している：

   • 標準（Standard）： 生のピクセルデータが8量子ビットのレジスタにエンコードされる。
   • 純粋カーネル置換（Pure Kernel Substitution）： フルサイズのシグネチャカーネル行列（フラット化済み）が、画像データの代わりに8量子ビットQCNNへの入力として用いられる。
   • 補助量子ビット融合（Auxiliary Qubit Fusion）： マルチモーダルなアプローチであり、元の画像データが8量子ビットにエンコードされる一方で、単一のスカラー値（フルパスの相互作用を表すカーネル行列の右下要素）が、パラメータ化された $R_Y$ 回転を介して9番目の補助量子ビットにエンコードされる。

主要な貢献と実験設定
論文では、MNISTデータセット（0と1の数字を時系列順のストロークシーケンスに変換したもの）を用いた二値分類タスクを用いてこれらのアーキテクチャを評価している。実験は、Qiskitを用いた量子回路の構築と、PennyLaneを用いたQCNNの最適化を行う、ノイズレスな状態ベクトルシミュレータ上で実施された。

• VQLSのスケーラビリティ分析： 著者らはVQLSコンポーネントを厳密にテストした。その結果、VLSは高度に圧縮されたパス（3〜4ステップ）については収束するものの、現実的なサンプルサイズ（例：5〜6ステップ）にはスケールできないことが判明した。システムの次元は $O(T^2)$ でスケールし、行列の条件数 $\kappa$ が急速に増大するため、最適化のランドスケープが非凸となり、オーバーラップの忠実度が低下する。したがって、著者らは、深刻な損失を伴う圧縮を行わない限り、VLSはマルチサンプル・トレーニングループにおいて現時点では実行不可能であると結論付けた。
• アーキテクチャ比較： VLSの制限を受け、その後の性能ベンチマークでは古典的なカーネル評価が利用された。研究では、「Standard（画像のみ）」モデルと、「SigKernel（純粋カーネル）」および「SigKernel aux qubit（融合）」モデルを、様々な畳み込みアンザッツ（UTTN、ヒューリスティック回路 U5–U15、および群論的 USO(4)/USU(4)）にわたって比較した。

結果

• VLSの限界： VQLSのアプローチは、量子ビット数の要件（小規模データセットでも最小10個の完全結合量子ビットが必要）と、条件数の急速な増大により、現在は高度に圧縮されたシーケンスに限定されている。条件数の増大はオプティマイザを局所解にトラップさせ、オーバーラップの忠実度を低下させる。
• 分類性能： シグネチャカーネル特徴量の導入は、特定のQCNNアーキテクチャにおいて明確な性能向上をもたらした。特に、**補助量子ビット融合アーキテクチャ（Auxiliary Qubit Fusion Architecture）**は、テストされたほとんどのアンザッツにおいて、純粋カーネル置換モデルを一貫して上回った。これは、元の空間的な画像構造を保持しつつ、パスのシグネチャを直交する補助的な量子特徴量として組み込む戦略が、空間データをカーネル行列で完全に置き換える戦略よりも効果的であることを示唆している。
• データ制約： 実験では、8量子ビットのレジスタ制約に適合させるため、入力パスを16点（15の時間間隔）にダウンサンプリングする必要があった。著者らは、これがトレードオフを生じさせ、堅牢な分類に必要な微細な幾何学的ニュアンスを破棄している可能性があることを認めている。

意義と主張
本論文は、本研究を量子強化された時系列解析のプルーフ・オブ・コンセプト（概念実証）として位置づけている。著者らは、本フレームワークが、パス・シグネチャカーネル層を量子回路内に実装することによる潜在的な利点を実証することに成功したと主張しており、特にハイブリッドな古典・量子ワークフローを通じて、シグネチャの「時間再パラメータ化不変性」を活用することで分類精度を向上させられることを示している。

しかし、著者らは現在の技術の状態について控えめなトーンを維持している。彼らは、VLSコンポーネントの計算上の制限（NISQデバイスにおける制約）が、現在、シグネチャカーネルの完全なエンドツーエンドの量子加速を妨げていることを明示している。本研究の意義は、ラフパス理論とQCNNの間の数学的および構造的な架け橋を確立したことにあり、完全な量子加速はまだ実現可能ではないものの、シグネチャカーネルによって提供される構造的な事前知識が、ハイブリッドな古典・量子ワークフローを通じて統合された場合に、量子分類器を意味のある形で改善できることを示した点にある。著者らは、今後の方向性として、VLSの学習可能性の向上（例：QAOAベースのアンザッツ）や、多クラス分類および実際のノイズを含むハードウェアへの拡張を挙げている。