ニューラルネットワーク＋量子コンピュータ？中国の学者が初の量子コンピューティング共同設計フレームワークをオープンソース化

[[334883]]

最近、ノートルダム大学のポストドクター研究員 Weiwen Jiang、Yiyu Shi 教授、IBM リサーチの Jinjun Xiong 博士らが行った研究により、初の機械学習と量子コンピューティングの共同設計フレームワークである QuantumFlow が実現され、量子コンピューター上でのニューラル ネットワークの実装への道が開かれました。

QuantumFlow フレームワークは、IBM 量子コンピュータへのニューラル ネットワークの展開を自動化します。

オリジナルリンク: https://arxiv.org/pdf/2006.14815.pdf

ニューラルネットワークアクセラレーションが新たなプレーヤーを歓迎

量子コンピュータは、一般的なコンピューティングに量子ロジックを使用し、データストレージに量子ビットを使用し、データ操作に量子アルゴリズムを使用するデバイスです。

量子コンピューティングの研究は 1860 年代にまで遡り、最初のプログラム可能な量子コンピュータは 2016 年に誕生しました。 IBMは2019年1月に商用量子コンピュータIBM Qをデモし、2020年代には量子優位性を達成すると予測しました。つまり、実際のアプリケーションシナリオにおいて量子コンピューティングが従来のコンピューティングを上回る能力を実証するということです。

図 1: 量子優位性への道: 1860 年代の量子科学から、2016 年の量子準備段階、そして 2020 年代の量子優位段階まで、量子コンピューターを使用して実用的な問題を解決する (出典: IBM)

図2: ニューラルネットワークハードウェアアクセラレータに新たなメンバー、量子コンピュータが加わる

ディープ ニューラル ネットワークは、現在のコンピューティング アプリケーションで最も急速に成長し、最も広く使用されている機械学習アルゴリズムです。図 2 に示すように、ディープ ニューラル ネットワーク アクセラレータは、汎用プロセッサ (CPU、GPU) と専用アクセラレータ (FPGA、ASIC) で広く研究されてきました。

しかし、アプリケーションがますます複雑になり、ネットワーク構造が拡大し続けるにつれて、ストレージ パフォーマンスのボトルネックが徐々に顕著になってきました。従来のコンピューティング プラットフォームでは、N 個のデジタル ビットで表現できるのは 1N ビットのデータのみです。ただし、量子コンピューティングでは、M 個の量子ビットで同時に 2^M 個のデータを表現でき、同時にこれらのデータに対して操作を行うことができます。

量子コンピュータの強力なストレージとコンピューティング機能により、従来のコンピューティング プラットフォーム上のニューラル ネットワークのパフォーマンスのボトルネックを打破し、量子的な利点を獲得できる大きな可能性が生まれます。

初の量子コンピューティング共同設計フレームワークがニューラルネットワークを飛躍させる

ディープラーニングの分野で量子優位性を実現するには、まだ多くの課題が残っています。最初の障害は、ニューラル ネットワークと量子回路を共同で設計するための自動化ツールが存在しないことです。

既存の研究では、従来のコンピューティング システム用に設計されたニューラル ネットワークを量子コンピューターに直接マッピングするか、量子ニューラル ネットワークを直接設計するかのいずれかが試みられています。

しかし、このような独立した設計では、量子コンピュータの利点を活用することが難しくなります (たとえば、実数の乗算では量子ビットが多すぎるため、オーバーヘッドが膨大になります)。根本的な原因は、共同設計ツールの欠如です。この研究はこのギャップを埋め、初のニューラル ネットワーク/量子コンピューティング共同設計フレームワークである QuantumFlow を提案します。

図3 QuantumFlow共同設計フレームワーク

図 3 に示すように、QuantumFlow フレームワークは次の 4 つのコンポーネントで構成されています。

ネットワークモデルデザイナー QF-Net: ランダム変数を使用して入力実データを表現し、量子状態を使用して自然に表現し、ランダム変数操作を実現します。設計者は、ベクトルに対する線形および非線形演算やバッチ正規化演算など、量子回路で簡単に実装できる基本的な演算を提案します。

量子回路設計者 QF-Circ: QF-Net の各操作に対して、対応する量子回路実装が設計されます。

フォワード バックワード プロパゲーター QF-FB: 従来のコンピューティング プラットフォーム上で効率的なフォワードおよびバックワード プロパゲーションの実装を提供し、効率的な QF-Net モデル トレーニングをサポートします。

ネットワークマッピングQF-Map：QF-FBによるトレーニングで得られたQF-Netモデルに基づいて、まずネットワーク回路マッピングを実行し、QF-Netに対応する量子回路QF-Circuitを確立します。次に、仮想物理量子ビットマッピングを実行してQF-Netを量子コンピュータに展開します。モデルの精度を向上させるために、仮想物理量子ビット マッピングを実行する際には、量子コンピュータのエラー率が考慮されます。

従来のコンピュータ上での QF-FB に基づくシミュレーション結果は、QF-Net の有効性を実証しています。図 4 に示すように、量子コンピューティング用に設計された QF-Net は、従来のコンピューティング システム用に設計された同じ構造の多層パーセプトロン MLP(C) よりも高い精度を実現します。

図4: QF-NetはMNISTデータセットのサブセットで最高の精度を達成しました: {3,6}、{3,8}、{1,3,6}

バッチ正規化操作を備えた QF-Net (BN 付き) は、数字 3 と 6 の認識精度が 97.01% を達成しました。これは、量子コンピューティング用に設計された現在の最新の FFNN ネットワークよりも 14.55% 高い精度です。

図5はバイナリ分類の例を示しています。 QuantumFlow が QF-FB トレーニングを通じて得たネットワークを図 5(b) に示します。QF-Map に従って、まず QF-Net を QF-Circ にマッピングします (図 5(C))。次に、IBM 量子コンピュータ ibmq_essex (図 5(d)) のエラー率に従って、QF-Map は QF-Net を物理量子ビットにマッピングし、100 セットの入力データを分類します。量子コンピュータで得られた結果を図5(h)に示す。

図 5: IBM の 5 量子ビット量子コンピュータ「ibmq_essex」で 82% の精度を達成したバイナリ分類の例。

図5(e)は、従来のコンピューティングシステムでQF-FBを使用して得られた標準的な結果を示しており、図5(f)は、98%の精度を達成したIBM Qiskit Aerを使用したQF-FBシミュレーションの結果を示しています。図5(g)は、QF-Mapの代わりにIBM Qikistの組み込みコンパイラを使用して得られた結果を示しており、精度はわずか68%です。最後に、QF-Map を使用すると精度が 82% まで向上します。

この実験は、量子コンピューティングがニューラルネットワークを実現する可能性を実証しました。IBM 量子コンピューターのエラー率は 10^−2 程度ですが (デジタル回路のエラー率は 10^−15 です)、QuantumFlow と共同設計されたニューラルネットワーク量子コンピューティング システムは、データを効果的に分類および処理することができました。結果はQuantumFlowの有効性を実証しています。

QuantumFlow は近い将来オープンソースになります。詳細については、https://wjiang.nd.edu/categories/qf/ をご覧ください。

著者について

論文の筆頭著者である江衛文氏は現在、ノートルダム大学の博士研究員である。 2019年に重慶大学で博士号を取得。 2017年から2019年まで、ピッツバーグ大学の電気・コンピュータ工学部で研究活動に参加しました。

[[334884]]

博士課程在学中、Jiang Weiwen 氏は IEEE/ACM ジャーナル論文 10 本以上を含む、国際会議や主要ジャーナルで 50 本以上の研究論文を発表しました。ハードウェア アクセラレーションとニューラル ネットワーク構造に関する共同研究は、DAC'19、CODES+ ISSS'19、ASP-DAC'20 の最優秀論文にノミネートされました。

ニューラルネットワークと並列システムに関する研究は業界で広く注目を集め、米国国立科学財団の国際自然科学連合から研究資金を獲得しました。FacebookやEdgecortix inc.（日本/シンガポール）などの企業と共同研究を行い、過去1年間で25万ドル以上の研究資金を獲得しました。

江衛文は、2015年に「NVMSA」、2017年に「ICCD」で2つの最優秀論文賞を受賞し、2016年に「ASP-DAC」、2019年に「DAC」、2019年に「CODES+ISSS」、2020年に「ASP-DAC」の4つの最優秀論文賞にノミネートされました。

ディープラーニングの進歩は主にコンピューティングパワーに依存していますが、現在、従来のハードウェアのコンピューティングパワーの成長は、スーパー人工知能のニーズに追いつくことができなくなっています。データがCPUからGPUに移動されるように、ニューラルネットワークを量子コンピューターにシームレスに移行できれば、人工知能科学者にとって朗報となるでしょう。