Quantum Tensor Network Learning with DMRG

技術要約：DMRGを用いた量子テンソルネットワーク学習

問題提起
テンソルネットワーク（TN）、特に行列積状態（MPS）は、量子多体系に触発された有望な機械学習アーキテクチャとして台頭している。標準的なTNアプローチは多くの場合、最適化のために勾配降下法を利用するが、物理的な量子状態に求められる厳格な正規化条件を欠いていることが多い。量子力学において、確率の保存は量子状態およびチャネルが正規化されていることを規定している。本論文は、これらの正規化制約を満たすようにTNベースの機械学習を適応させるという課題に取り組んでいる。これにより、これらのモデルを量子コンピュータへ直接デプロイすることが可能になる。著者らは、局所最適化手法、特に密度行列繰り込み群（DMRG）とその基礎となるランチョス法を、正規化された量子機械学習の文脈へと転移させる際のギャップを特定している。

手法
著者らは、MPSアンザッツが縮退（contraction）時に正規化されたベクトルを出力するように制約を課すフレームワークを提案しており、これは量子状態を効果的に表現するものである。彼らのアプローチの中核は、標準的な最適化アルゴリズムを単位ノルム制約（$\langle \Psi | \Psi \rangle = 1$）を尊重するように修正することである。

1. 損失関数と制約:
   著者らは、分類タスクのための平均二乗誤差損失関数 $L$ を定義している。最適値が $A^{-1}|b\rangle$ となる非制約最適化とは異なり、正規化制約は解がヒルベルト空間の単位球面上に存在することを要求する。損失関数は以下のように定式化される：
   $$L = \frac{1}{2} + \frac{1}{2N} \sum_{i=1}^N \left[ \langle \Psi | (|d_i\rangle\langle d_i|_D \otimes 1_B) | \Psi \rangle - 2\text{Re}(\langle \Psi |_{DB} (|d_i\rangle_D \otimes |l_i\rangle_B)) \right]$$
   ここで、$|d_i\rangle$ は入力データ、$|l_i\rangle$ はラベルを表す。

2. 正規化を伴う勾配降下法:
   著者らは、正規化制約を扱うために勾配降下アルゴリズムを適応させている。単純な更新の代わりに、射影勾配降下法を採用する。勾配ステップ $|n\rangle = |\Psi\rangle - \alpha |g\rangle$ を計算した後、状態を再正規化する：$|\Psi'\rangle = |n\rangle / \sqrt{\langle n|n\rangle}$。効率を最適化するために、損失の $\alpha$ に関する微分をゼロと置くことで最適なステップサイズ $\alpha$ を導出し、ニュートン反復を用いて $\alpha$ を解く。

3. 修正DMRGアルゴリズム:
   クリロフ部分空間法（DMRGのような）が単純な勾配降下法よりも効果的であることを認識し、著者らは修正されたDMRGアルゴリズムを開発した。標準的なDMRGはエネルギー期待値を最小化するが、機械学習の損失関数（式3）における線形項を本質的に考慮していない。

   • 後処理ステップ: ランチョスアルゴリズムが局所的な有効ハミルトニアン $A_s$ を三対角形式 $A'_s$ に圧縮した後、著者らは、正規化された状態の勾配が単位球面に対して垂直となるようなスケーリング因子 $x$ を求める後処理ステップを導入する。
   • 解析解: 問題を圧縮された行列の固有基底に分解することにより、正規化制約が満たされるような $x$ に関する方程式（式6）を導出する。彼らは、$x < 0$ において一意のグローバル最小値が存在することを証明し、収束を確実にするために注意深く初期化されたニュートン反復を用いてこれを解く。

主な貢献

• 正規化条件: MPSアンザッツにグローバルな正規化条件を導入し、結果として得られるベクトルが有効な量子状態としてマッピングされることを保証した。
• アルゴリズムの適応: 正規化制約の下で動作するように、勾配降下法とDMRG/ランチョスアルゴリズムの両方を修正した。
• 比較分析: 標準的な共役勾配降下法、正規化勾配降下法、および提案された修正DMRG法の直接的な比較を行った。

実験結果
手法の検証は、MNISTデータセットのサブセット（5,000枚の画像を7x7にリスケール、訓練用4,000枚、テスト用1,000枚）を用いて行われた。モデルは、最大ボンド次元20で3回のフル2サイト・スウィープ（two-site sweep）にわたって最適化された。

• 性能: 標準的な共役勾配降下法は、最も高い精度（テスト精度94.70%）と最小の損失（0.08680）を達成した。しかし、得られたMPSのノルムは約 $3.9 \times 10^6$ であった。事後的に正規化した場合、これは消失するオーバーラップと $\approx 0.5$ という自明な損失をもたらし、モデルを実質的に無効なものとした。
• 正規化手法: 正規化勾配降下法と修正ランチョス（DMRG）法は、同一の訓練およびテスト損失（$\approx 0.36$）と精度（$\approx 73\%$）を示した。
• 観察: 正規化条件の導入は結果に大きな影響を与え、非制約の共役勾配法と比較して精度を低下させたが、モデルが物理的に妥当（正規化されている）であることを保証した。

意義と主張
本論文は、正規化条件を実装することが、テンソルネットワークアルゴリズムを量子コンピュータへのデプロイに適したものにするための必要なステップであると主張している。著者らは、本研究を、より効率的な量子機械学習のためにテンソルネットワーク手法を適応させるための一歩として位置づけている。

しかし、著者らは現在の性能について謙虚である。彼らは、これらの正規化手法の性能が「他の現代的なアルゴリズムに匹敵するレベルまで高める必要がある」と明言している。厳格な正規化を（これほどには）強制しない古典的なテンソルネットワーク手法との同等性に達していないことも認めている。論文は、機械学習を効果的に量子コンピュータへと持ち込むためには、量子チャネルのようなより複雑な正規化条件の研究や、評価方法の改善を含むさらなる研究が必要であると結論付けている。