Benchmarking loss functions for trainable quantum feature maps

技術要約：学習可能な量子特徴マップにおける損失関数のベンチマーク

問題提起
量子サポートベクターマシン（QSVM）は、古典的なデータを高次元の量子状態へとエンコードするために、量子特徴マップ（QFM）に依存している。標準的なQSVMは固定されたQFMを利用するが、これは表現力や複雑な非線形データ分布への適応性を制限する。学習可能な量子特徴マップ（TQFM）は、パラメータ化されたゲートとデータの再アップロードを導入することで、埋め込み空間を最適化し、この課題に対処する。しかし、TQFMの最適化は、選択される損失関数に大きく依存する。既存の文献では、異なる損失関数が最適化のダイナミクス、計算コスト、および分類の安定性にどのように影響するかについての体系的な理解が不足している。特に、著者らは固定ターゲット型の学習スキームにおける「軌道交差問題（trajectory crossing problem）」を特定している。これは、最適化の軌道が交差することで、不安定な収束や精度の急激な低下を引き起こす現象である。

手法
著者らは、ハイブリッド量子・古典QSVMパイプライン内でTQFMを学習させるための、3つの異なる損失関数を比較する体系的なベンチマークフレームワークを提案している。

1. 距離損失 (Distance Loss: DL): 異なるクラスの混合密度行列間のヒルベルト・シュミット距離に基づく。この手法はクラス間の分離を最大化することを目指すが、すべてのペアごとのサンプル忠実度を評価する必要があるため、$O(M^2)$（$M$はデータセットサイズ）の二次的な計算量が発生する。
2. 測定損失 (Measurement Loss: ML): 各クラスを固定された直交基底状態に割り当て、エンコードされた状態とターゲットとの間の誤差を最小化する。このアプローチはサンプルを独立して評価するため、$O(M)$の線形計算量を達成する。しかし、著者らは、制限されたヒルベルト空間内でクラスターを固定ターゲットへと強制することが、軌道の交差を引き起こすと仮定している。
3. 対数尤度損失 (Log-Likelihood Loss: LLL): 本研究の核心となる提案。最尤推定法に着想を得たこの手法は、忠実度 $|\langle \psi | y \rangle|^2$ を条件付き確率 $P(y|x)$ として再解釈する。線形なペナルティを最小化する代わりに、LLLは負の対数尤度を最小化する：
   $$L_{LLL}(\theta) = -\frac{1}{L} \sum_{j=1}^{L} \frac{1}{M_j} \sum_{i=1}^{M_j} \log \left( |\langle \psi(x_i^j, \theta) | y_j \rangle|^2 \right)$$
   この定式化は、予測確率が低いサンプルに対して急速に増大する非線形なペナルティを適用することで、分類が困難なサンプルを強調し、より強力な最適化シグナルを提供する。

実験設定
本研究では、EfficientSU2アンザッツを用いたQiskitステートベクトルシミュレータを使用している。実験は、非線形性とクラスの複雑さが異なる3つの合成データセット（Moons, Circles, Gaussian）に対して行われた。評価には、統計的安定性を評価するための20回の独立した実行、回路深さ（1〜6レイヤー）の変動、および模擬的なデポラリゼーション（脱分極）ノイズと読み出しノイズに対する堅牢性のテストが含まれる。

主な結果

• 最適化の安定性: ML法は顕著な不安定性を示した。これは、特に浅い回路において、クラス間の重なりが急増し精度が低下する「軌道交差問題」によって特徴付けられる。LLL法はこの問題を効果的に緩和し、DL法と同等の安定した収束を達成したが、二次的な計算コストは回避した。
• 計算効率: DLは最も高い分類精度を維持したが、$O(M^2)$のスケーリングに苦しみ、大規模なデータセットには不向きであった。MLとLLLは共に$O(M)$のスケーリングを維持した。LLLの訓練時間はMLとほぼ同等であり、改善された安定性が追加の計算オーバーヘッドなしで実現されていることを裏付けている。
• 分類性能:
  • DLは、すべてのデータセットにおいて一貫して最も高い平均精度を達成した。
  • LLLは、安定性の面でMLを大幅に上回り（精度における実行間の標準偏差が低い）、競争力のある平均精度を達成した。特に浅い回路（例：Circlesデータセットにおける1層回路）においては、MLと同等またはそれを上回る性能を示した。
  • 回路の深さ（変分レイヤー）を増やすことは、すべての手法において軌道交差を緩和するのに役立ったが、過剰な深さは、テスト精度への比例的な向上を伴わない過学習を招くというトレードオフをもたらした。
• ノイズ耐性: 模擬ノイズモデルの下で、LLL法は単純なデータセット（Moons）に対しては堅牢な性能を維持したが、より複雑なデータセット（Circles, Gaussian）に対しては、分類タスクの難易度に応じて予想通りの性能低下を示した。

意義と主張
本論文は、訓練の目的関数の設計が、TQFMベースのQSVMの学習可能性と汎化性能を決定する極めて重要な要因であると主張している。主要な貢献は、対数尤度損失（LLL）の導入であり、これは計算効率と最適化の安定性の間のトレードオフに対する実用的な解決策を提供する。

著者らは、LLLが従来の測定損失（ML）よりも「より安定した最適化挙動」を提供しつつ、線形の計算量を維持できると断言している。このベンチマークは、学習可能性、効率性、および予測性能のバランスを取るための実用的な指針を提供する。本研究は、NISQデバイスの根本的な限界を解決することを目的としたものではなく、ハイブリッド量子分類器の最適化フェーズにおける手法的な改善を提供するものである。

今後の方向性
著者らは、現在のフレームワークが最終的な決定境界のために依然として古典的なSVMに依存していることを指摘している。今後の研究では、測定確率に基づいてラベルを直接割り当てる完全量子推論スキームを探求すべきであると考えている。さらに、回路の表現力（パラメータ数 vs 構造的特性）と最適化性能の関係についてもさらなる調査が必要である。