Qutrit-Based Neural Quantum Kernels for Classification Tasks

技術要約：分類タスクのためのqutrit（3準位系）ベースのニューラル量子カーネル

問題提起
量子機械学習（QML）は、主に量子ビット（2準位系）ベースのアーキテクチャに焦点を当ててきました。パラメータ化された量子回路（PQC）やデータ再アップローディングモデルは有望な結果を示していますが、学習の困難さ（例：バレン・プラトー）や表現力の限界といった課題に直面しています。さらに、標準的な量子ビット埋め込みは$SU(2)$代数によって構造的に制限されており、1つのサブシステムあたりにエンコードできる独立したパラメータの数が少なく、局所的な特徴量の数を制限しています。加えて、量子ビットベースのモデルは、多クラス分類において複雑な読み出し戦略を必要とする傾向があります。本論文は、より豊かな局所的な自由度を活用し、自然な多クラスインターフェースを可能にし、さらには特徴量エンコーディングの効率を向上させるために、ニューラル量子カーネル（NQK）をqudit（$d$準位系）、特にqutrit（$d=3$）へと拡張する必要性に取り組んでいます。

手法
著者らは、NQKのフレームワークをqutritへと拡張しています。NQKは2つの段階で動作します。(1) 教師あり学習を通じて量子ニューラルネットワーク（QNN）を事前学習し、最適なタスク適応型埋め込みを見つける。(2) これらのパラメータを固定して量子カーネルを定義し、それを古典的なサポートベクターマシン（SVM）と共に使用する。

主な手法構成要素は以下の通りです：

• アーキテクチャ: 本研究では、古典的な特徴量が繰り返しエンコードされ、学習可能な変分ブロックと交互に配置されるデータ再アップローディングアーキテクチャを利用しています。
• スケーラブルな事前学習: 最適化の困難さを軽減するために、著者らは「漸進的成長（progressive growth）」戦略を採用しています。モデルは単一のqutritから学習を開始し、学習されたパラメータを、新しいパラメータ（もつれゲートを含む）をゼロに初期化することで、より大きなシステム（2, 3, 4 qutrits）へのウォームスタートとして利用します。
• カーネル構成: 2つのアプローチを比較しています：
  • $n$-to-$n$: $n$-qutrit QNNを直接学習させ、そのフル埋め込みを再利用する。
  • 1-to-$n$: 単一のqutrit QNNを学習させ、その学習されたユニタリを$n$-qutritレジスタ全体に複製し、固定されたもつれ操作を間に挟む。
• Qutrit固有の仕様:
  • パラメータ化: 本研究では、単一qutritの$SU(3)$ユニタリに関する3つの異なるパラメータ化（幾何学的（Lie代数指数）、オイラー角分解、およびギブス回転形式）を調査しています。
  • もつれプリミティブ: 1-to-$n$構成では固定のSUM（一般化されたCNOT）ゲートを使用し、$n$-to-$n$構成では近傍パターンに配置された学習可能な制御ユニタリゲートを使用します。
  • 特徴量予算: エンコードされる特徴量の数（$p$）は、$SU(3)$生成子のパラメータにマッピングされます。$d=3$の場合、1つのサブシステムあたり最大8つの特徴量をエンコードできます。
• タスクとデータセット: モデルは、Fashion-MNIST、HAR（人間活動認識）、MAGICガンマ・テレスコープ、Covertypeの4つのベンチマークデータセットを用いた、二値および三クラス分類タスクで評価されています。

主な貢献

1. Quditへの拡張: 本論文は、局所次元、$SU(3)$パラメータ化、および特徴量予算の割り当てに関する新しい設計上の選択肢を導入することで、NQKフレームワークを量子ビットからqutritへと一般化しました。
2. 体系的な設計分析: 特定のアーキテクチャの選択（システムサイズ $n$、特徴量予算 $p$、カーネル構成タイプ、および $SU(3)$ パラメータ化）が性能にどのように影響するかについての包括的なアブレーション研究を提供しています。
3. パラメータ化の影響: $SU(3)$ パラメータ化の選択が極めて重要であることを示しています。幾何学的（Lie代数指数）パラメータ化は、最適化のダイナミクス（勾配ノルム、訓練損失）および最終的な精度において、オイラー角およびギブス回転を一貫して上回りました。
4. 性能の検証: qutritベースのNQKは、様々なシステムサイズと特徴量予算において、対応するQNNベースライン（測定ベースの変分分類器）よりも一般に高い性能を示すことを実証的に示しています。

結果

• NQK vs. QNN: Fashion-MNISTデータセットにおけるほぼすべての設定において、qutrit NQK（1-to-$n$および$n$-to-$n$の両方）は、対応するQNNベースラインよりも高いテスト精度を達成しました。これは、タスクに適応した埋め込みを学習し、それをカーネル構築のために固定することが、変分モデル単体よりも強力な分類器を生み出すという仮説を支持しています。
• スケーリングの傾向:
  • システムサイズ ($n$): qutritの数を増やすことは一般に性能を向上させましたが、その利得は飽和する傾向がありました（例：Fashion-MNISTでは$n=4$付近）。
  • 特徴量予算 ($p$): エンコードされる特徴量の数を増やすことは一般に精度を向上させますが、その関係はデータセットに依存していました。一部のデータセット（例：Covertype）では、性能は非単調であり、中間的な特徴量数でピークに達しました。
  • パラメータ化: 幾何学的パラメータ化が一貫して最良の結果をもたらしました。オイラー角およびギブス回転のパラメータ化は、より低い性能と異なるスケーリング挙動を示し、パラメータの構造的な役割（位相 vs 回転）が学習に影響を与えることを浮き彫りにしました。
• 古典的ベースラインとの比較: 同様のプリプロセッシングを用いた古典的なRBF-SVMと比較した場合、qutrit NQKは競争力のある水準を維持しました。古典的SVMは統計的な不確実性の範囲内でわずかに高い平均精度を達成することが多かったものの、量子モデルはこの性能に接近しており、4-to-4 NQKはCovertypeの三クラスタスクにおいて古典的ベースラインをわずかに上回りました。
• 1-to-$n$ vs. $n$-to-$n$: 中程度のシステムサイズ（$n=4$）において、両方の構成は同等の精度を達成しました。これは、より単純な1-to-$n$戦略（単一qutritマップの複製）が、より柔軟な$n$-to-$n$アプローチに対して競争力を持ち得ることを示唆しています。

意義と主張
本論文は、NQKをquditへ拡張することは単なる一般化ではなく、QMLにおける複雑なデータ構造を活用するための有望な手段であると主張しています。主な意義は、以下のことを示した点にあります：

1. より豊かな埋め込み: $SU(3)$における局所的な自由度の増加により、量子ビット（$SU(2)$）と比較して、より豊かな特徴量埋め込みと効率的なパラメータ使用が可能になります。
2. 多クラスへの適合性: qutritは、量子ビットに必要とされる複雑なエンコーディングスキームを回避し、計算基底を介した自然な多クラス分類のインターフェースを提供します。
3. 設計への感度: quditベースのモデルは、設計の選択、特にユニタリのパラメータ化に対して非常に敏感です。本研究は、構築ブロック（パラメータ化、もつれ戦略）の選択が、リソースのスケーリングと同様に重要であることを強調しています。
4. 実用的な生存能力: 理想的な（ノイズのない）シミュレーション下でのテストであるにもかかわらず、結果は、アーキテクチャの選択が最適化されている限り、qutrit NQKが強力な古典的カーネル手法と競合し得ることを示唆しています。

著者らは、計算コストによる制約から、結果が理想的なシミュレーションと小さなシステムサイズに限定されていることを認め、自らの主張に対して謙虚な姿勢を保っています。また、スケーリングの利点はデータセットに依存することや、特徴量エンコーディングとパラメータ化の相互作用にはさらなる体系的な特性評価が必要であることも認めています。今後の課題として、ノイズへの堅牢性と、より高次元のqudit（$d > 3$）の探索が提案されています。