Fourier Symmetrization for Geometric Quantum Machine Learning

現代科学の広大な風景の中で、研究者たちは、かつては人間の直感の独占領域であった問題を解決するために、データから学習する機械へとますます目を向けています。この領域で最も有望なツールのひとつが量子コンピュータであり、これは、古典的なマシンには不可能な方法で情報を処理するために、亜原子世界の奇妙な規則を利用しています。この分野の特定の枝分かれである「幾何学的量子機械学習」は、これらの量子システムに対し、物理世界の自然な対称性を認識し、尊重するように教えようとする試みです。雪の結晶が回転させても同じ形に見えたり、分子がどのように反転させても一貫して振る舞ったりするように、多くの科学的問題は隠れた不変性のパターンを持っています。課題は、訓練や制御が不可能なほど複雑になることなく、これらのパターンに自然に従う量子モデルをどのように構築するかを見出すことでした。

フランスのセントラル・シュペールレック（CentraleSupélec）の研究チームは、現在、この領域をナビゲートするためのより明確な地図を提供しました。彼らは、量子モデルに対称性を課すことが、モデルがデータをどのように「考える」か、具体的にはモデルが情報を異なる周波数成分にどのように分解するかという点に、どのような影響を与えるかを調査しました。彼らの研究によれば、量子モデルが対称性を尊重することを強制されると、単に選択肢が制限されるのではなく、むしろ内部構造が再編成され、それによってモデルがより強力になり、訓練が容易になる可能性があることが明らかになりました。関連する情報の断片をグループ化することで、研究者たちは、量子機械学習において長年問題を引き起こしてきた、学習信号が消失してしまう現象を防ぐ方法を見出したのです。さらに、彼らは、以前は必要と考えられていた重いハードウェアコストを回避できる、より効率的な対称モデルの構築法を新たに発見しました。

研究者たちは、「量子フーリエモデル」と呼ばれるタイプの量子モデルに焦ейしました。量子コンピュータを、多くの異なる音符を同時に奏でることができる複雑な楽器だと想像してください。ここで、各音符は情報の特定の周波数を表します。標準的なセットアップでは、コンピュータは各音符のボリュームを独立して調整することでパターンを学習しようとするかもしれません。しかし、研究者たちは、2つの変数を入れ替えたり、符号を反転させたりする能力のような対称性を尊重することを要求すると、音符はもはや独立ではなくなることを示しました。代わりに、音符は「軌道（オービット）」と呼ばれるグループを形成し、コンピュータはそのグループ内のすべての音符を単一のユニットとして扱わなければならなくなります。モデルはその後、そのグループ内のすべての音符のボリュームを合計して、単一のより強い信号を作り出します。

この再編成は、決定的な利点となることが分かりました。多くの量子モデルでは、個々の音符の信号はシステムが大きくなるにつれて非常に微弱になり、コンピュータが事実上学習を停止してしまう「表現力の消失（vanishing expressivity）」という現象が起こります。研究者たちは、これらの音符を対称的な軌道にグループ化することで、結合された信号が大幅に強くなることを実証しました。たとえ個々の音符がささやいている程度であっても、その集合的な声は十分に大きく、訓練可能なレベルになります。彼らは理想的な条件下では、この結合された信号の強さは、グループ内の個々の音符の強さの合計と正確に等しくなることを数学的に証明しました。より現実的で不完全なシナリオにおいても、このグループ化が、既存の手法では不可能であったレベルをはるかに超える劇的な信号強度の向上をもたらすことを示しました。

単にモデルを強化するだけでなく、研究者たちは、この対称性がモデルが世界を記述するために使用する言語そのものを変えることも発見しました。彼らがモデルに符号反転を含む特定の種類の対称性を適用したところ、結果として得られる数学的構造は、「チェビシェフ多項式」として知られる関数群へと自然に変換されました。これらは、複雑な曲線を近似したり困難な方程式を解いたりするために、数学者やエンジニアによって何世紀にもわたって使用されてきた強力なツールです。量子モデルにこれらの対称性を尊重させることで、研究者たちは、本来であれば必要となる複雑な回路を設計することなく、モデルに最適な言語を自動的に話すようプログラムしたことになります。これは、対称性が単なる制約ではなく、量子モデルを問題解決のための最も効率的な方法へと導くガイドになり得ることを示唆しています。

しかし、大きな障害が残っていました。それは、これらの対称的なモデルを実際の量子ハードウェア上でどのように構築するかという点です。対称性を強制するための従来の手法は、追加の量子ビットを加えたり、実行に長い時間を要する複雑で深い回路を実行したりする必要があることが多く、現在のテクノロジーでは非現実的でした。チームは、「ランダム符号化（randomized encoding）」と呼ばれる巧妙な代替案を提案しました。対称性をハードコードした特別な硬直的な回路を構築する代わりに、彼らの手法は、標準的な量子回路に入る前に入力データをランダムに変更するというものです。同じ回路を、わずかに異なるランダムに変換された入力を用いて何度も実行し、その結果を平均化することで、システムは複雑で高価な手法と同じ対称的な出力を生成します。このアプローチは、追加の量子ビットを必要とせず、回路の深さを増やすこともないため、今日のノイズの多い量子デバイスにとって非常に実現可能性が高いものです。

彼らのアイデアを検証するため、研究者たちは物理現象を記述する2つの困難な数学的問題、すなわち「遮蔽されたポアソン方程式」と「定常粘性ハミルトン・ヤコビ方程式」にこれらの新しいモデルを適用しました。これらの方程式は、電場から流体力学に至るまで、あらゆるものをモデル化するために使用されます。彼らは、これらの新しい対称モデルを、標準的な量子モデルおよび古典的なニューラルネットワークと比較しました。結果は明白でした。対称モデル、特に彼らの新しいランダム符号化法を用いて構築されたモデルは、最も低い誤差と最も正確な解を達成しました。厳しい境界条件を含む特定のテストにおいては、この対称量子モデルは、古典的なニューラルネットワークを含む他のすべての手法を上回る性能を示しました。

本研究は、対称性が量子機械学習における強力で、未活用なリソースであることを結論付けています。対称性はモデルができることを制限するだけではありません。それは、モデルの内部構造をより堅牢で効率的なものへと作り変えます。情報を対称的なグループへと再編成することで、研究者たちは、量子モデルがこれまで進歩を阻んできた信号消失を克服できることを示しました。これらの対称性を実装するための彼らの新しい手法は、実用的な道筋を提供しており、研究者が、これまでスケーリングを困難にしていた法外なハードウェアコストを負うことなく、その恩恵を活用することを可能にします。この研究は、より正確であるだけでなく、それがシミュレートしようとしている物理世界の根本的な対称性とより一致した、優れた量子アルゴリズムを設計するための具体的なブループリントを提供しています。