2022 Fiscal Year Research-status Report
| Project/Area Number |
21K19761
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
寺師 弘二 東京大学, 素粒子物理国際研究センター, 准教授 (80466804)
|
|---|
| Project Period (FY) |
2021-07-09 – 2024-03-31
|
| Keywords | 量子機械学習 / 量子ダイナミクスシミュレーション |
|---|
| Outline of Annual Research Achievements |
本研究の目的は、NISQコンピュータを「目的とする量子系を実現する」ための量子状態生成マシンとして活用し、全体の量子系が一つの「高位量子計算機」として機能する計算モデルを提案することである。そのために、1)ある量子物理系とその状態関数、2)量子状態を学習するためのNISQマシンの二つを開発の土台とする。令和4年度は、「量子データを入力とする量子機械学習(QML)」の高度化と「量子微分解析と状態制御を行うモデル」の初期的な設計を進めた。
量子データ入力のQMLでは、素粒子生成過程の量子ダイナミクスシミュレーションと横磁場イジング模型の時間発展シミュレーションを使って、期待される波動関数が生成されていることを確認した。さらに、QMLの量子回路として採用した「量子畳み込みニューラルネットワーク」(QCNN)によって、粒子間の結合定数やフェルミオンのフレーバー識別が可能なことを確認した。また、問題の性質を考慮しない一般的な量子回路(HEA)との比較によって、HEAではフレーバー識別が難しい状況でもQCNNは高い識別性能を持つケースがあることも判明した。素粒子生成過程の量子シミュレーションデータを入力とするQMLは初めての試みであり、その成果をまとめる段階に進んでいる。
量子微分解析が可能なモデルとして、ニューラルネットワークを用いた強化学習と微分可能プログラミングに着想を得た状態制御のモデルを検討してきた。先行研究(F. Schafer et al., 2020)では、古典強化学習を使って量子状態を所望の状態へと時間発展させる手法が使われている。この手法をベースに、シンプルな1量子ビット系で同様の状態制御が可能なことを数値的に確かめた。今後はスピン系のハミルトニアンで記述される量子系を考え、そのハミルトニアンへの付加項を調節することで所望の状態へと時間発展させる仕組みを実装する。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
本研究では、「量子データを入力とする量子機械学習」を実現するために、1)の量子物理系として量子ダイナミクスシミュレーションを活用した量子状態の生成を行う。素粒子生成過程の量子ダイナミクスシミュレーションを使ったQMLについては、フレーバー識別の問題をより困難にした場合の比較など高度化の研究を進めてきたが、横磁場イジング模型の時間発展シミュレーションについては現在もモデル実装の詳細を詰めている段階である。鈴木-トロッター分解を使って時間発展シミュレーションを行う場合、長時間の時間発展は量子回路が深くなるためにNISQコンピュータを使った実装は難しくなる。そのためパラメータ化したシミュレーション用量子回路を使い、パラメータの時間発展によって長時間シミュレーションを行う手法が提案されている。この手法を応用し、より非自明な時間発展状態を生成することができないか検討を進めている。
一般的に、量子回路を用いたQMLでは回路パラメータ(量子ゲートの回転角など)を最適化することで学習を行う。超伝導量子ビットを使うNISQマシンの場合、量子ゲートの実体であるマイクロ波パルスの物理パラメータを最適化して学習を行うことができれば、微分可能プログラミングによる状態制御に近づく。先行研究の調査からこのパルス学習と呼ばれる手法は実現可能であることが分かってきたが、本研究で考えているQCNN回路モデルでの実装に進む段階には至っていない。
「量子微分解析と状態制御を行うモデル」として、先行研究(F. Schafer et al., 2020)をベースに古典強化学習の手法を使って量子状態を所望の状態へと時間発展させることができるか検討を進めてきた。この手法をシンプルな1量子ビット系に適用することで、量子状態制御が可能なことを数値的に確かめた。
|
| Strategy for Future Research Activity |
本研究の次の課題である「量子微分解析と状態制御を行うモデル」の構築に向け、ニューラルネットワークを用いた古典強化学習と微分可能プログラミングを適用することができる状態制御の実装をさらに進めていく。まず、横磁場イジング模型などスピン鎖モデルの時間発展シミュレーションについて、より非自明な状態生成を実現することに集中的に取り組んでいく。そこに目処が立った段階で、スピン鎖のハミルトニアンに新しい付加項を加えた量子系を検討する。1量子ビット系を使って確認した量子状態制御モデルを適用し、付加項の大きさを外部パラメータとして調節することで所望の量子状態へと時間発展させる仕組みを実装する。
NISQマシンの外部パラメータとして、超伝導量子ビットのゲート操作に用いるマイクロ波パルスの物理パラメータを考えることも可能である。しかし、QMLに用いる量子回路の出力状態を古典測定して評価した損失関数に対して、その勾配計算からマイクロ波パルスの物理パラメータまで微分可能な形で繋げられるかどうかは自明ではない。その実現可能性を数値的に確かめながら、検討を進める。この方法が難しい場合、マイクロ波パルスの物理パラメータを直接調節することで学習を行うパルス学習の手法を取り入れ、本研究の学習モデルであるQCNN回路への実装を進めていく。
|
| Causes of Carryover |
令和4年度には、超伝導量子ビットシステムの制御に使われるマイクロ波共振器とデータ読み出し用エレクトロニクスの導入に使用する予定だったが、研究の進捗状況を考慮して導入を見送った。翌年度分として請求した助成金は、主に成果発表のための学会参加費や旅費への使用を予定している。翌年度以降の研究継続を可能にするため、翌年度も引き続き超伝導量子ビットシステムのための量子素子の開発や、読み出し・制御用エレクトロニクスの導入への使用を検討していく。
|
