Expressive Power and Limitations of Multi-photon Quantum Neural Networks

技術的要約：多光子量子ニューラルネットワークの表現力と限界

問題提起
データ再アップローディング（DRQNN）を利用する量子ニューラルネットワーク（QNN）は、普遍的近似能力を示している。多光子入力（ボソンサンプリング）を用いた線形光学ネットワークは、計算タスクにおいて量子的な優位性を示してきたが、光子数の増加がいかにしてQNNの表現力を高めるのかという具体的なメカニズムは未解明である。具体的には、多光子量子ニューラルネットワーク（MPQNN）の表現力が、光子数を増やすことで無限に向上するのか、あるいは根本的な限界が存在するのかが不明である。本論文では、MPQNNの表現力の定量的特性化、および光子数（$n$）、モード数（$m$）、層数（$L$）が近似誤差に与える影響について取り上げる。

手法
著者らは、DRQNNアーキテクチャを多光子フォック空間へと拡張した、線形光学ネットワーク上に実装されるMPQNNのフレームワークを提案する。

1. モデルの定義： モデルは、データ再アップローディングを行う回路部分（位相シフターによるエンコーディングブロックと、ユニバーサルなユニタリ線形光学ネットワークによる学習可能ブロックの交互配置）と、観測量部分で構成される。入力は、$n$個の同一の光子を表すフォック状態 $|n, 0, \dots, 0\rangle$ である。
2. 仮説空間の特性化： 著者らはMPQNNの仮説空間を導出する。出力関数 $h(x)$ は、実多項式 $g$（観測量によって決定される）と、三角多項式 $y_j$（学習可能な回路パラメータによって決定される）の合成であることを確立する。
3. 誤差境界の導出： 測定される観測量の性質に基づき、以下の2つの異なるケースを分析する。
   • 固定観測量の場合： 光子数分割の重みはあらかじめ決定されている。
   • 学習可能観測量の場合： 重みは学習中に回路パラメータと共に最適化される。
     ジャクソンの不等式（Jackson's inequality）を用いることで、ターゲット関数の滑らかさとパラメータ $n, m, L$ に関連付けられた、両ケースの近似誤差の上限を導出する。
4. 数値シミュレーション： 理論的知見を検証するため、フォック状態によって駆動される線形光学ネットワークの出力光子数分布を効率的にシミュレートする動的計画法アルゴリズムを開発した。このアプローチは、パーマネント（permanent）を計算するためのライサー（Ryser）のアルゴリズムを改善し、実行時間の計算量を削減する。

主な貢献と結果
本論文は、光子数がどのようにMPQNNの表現力に影響を与えるかについての定量的分析を提供し、固定観測量と学習可能観測量で対照的な結果をもたらしている。

• 固定観測量の場合：

  • 近似誤差は $O((dL)^{-K})$ で抑えられる。ここで $d = \min\{n, m-2\}$ である。
  • 閾値効果： $n = m-2$ において臨界閾値が存在する。この閾値以下では、光子数の増加に伴い表現力が多項式的に向上する。
  • 限界： $n$ が $m-2$ を超えると、光子数をさらに増やしても表現力は向上しない。これは、線形光学ネットワークの学習可能パラメータ数（$m$ と $L$ にのみ依存する）が、増加した光子数によって生成される高次元の関数空間を包含するには不十分になるためである。

• 学習可能観測量の場合：

  • 近似誤差は $O(d^{-K})$ で抑えられる。ここで $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$ である。
  • 連続的な向上： 固定の場合とは異なり、線形光学ネットワークの構造を変更することなく、光子数を増やすことで常にMPQNNの表現力が向上する。$n \to \infty$ のとき、誤差境界はゼロに収束する。
  • コスト： この表現力の向上は、観測量における $\binom{n+m-1}{m-1}$ 個の追加の学習可能パラメータの導入というコストを伴う。これは $n$ に対して指数関数的に増大する。

• 数値的検証： 一変数の三角多項式近似タスクを用いたシミュレーションにより、光子数と層数の両方が増加するにつれて平均テスト損失が減少することが確認され、理論的な境界と一致した。

意義
著者らは、本研究がQNNにおける多光子的な特徴の性能向上と固有の限界を解明するものであると主張している。光子数と表現力の関係を定量的に特性化することで、本論文はフォトニックプラットフォーム上でのQNNの実装に向けた指針を提供している。具体的には、多光子入力は利点をもたらすが、固定観測量のシナリオにおいては、その有用性はアーキテクチャによって制約されることを明らかにしている。これらの知見は、多光子の利点を十分に活用するためには、観測量を学習可能にするか、あるいは増加した自由度に対応するためにネットワーク構造を調整する必要があることを示唆している。本研究は、量子機械学習における光子数、パラメータ数、および近似能力の間のトレードオフを理解するための参照資料となるものである。