2023 Fiscal Year Annual Research Report
量子カーネル法の実践に向けた性能解析手法の確立および改良モデルの開発
| Project/Area Number |
22KJ2709
|
|---|
| Allocation Type | Multi-year Fund |
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
鈴木 雄大 慶應義塾大学, 理工学研究科(矢上), 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2023-03-08 – 2024-03-31
|
| Keywords | 量子カーネル法 / 量子機械学習 / 量子計算 / 特徴量選択 |
|---|
| Outline of Annual Research Achievements |
本年度は，昨年度に引き続き，量子カーネル法における実用上の問題である類似度消失問題がどのような状況で起こるかについての解析を行った．また，昨年度に提案した量子フィッシャーカーネルの活用例として，量子機械学習タスクに特化した特徴量選択手法の提案を行った．
量子機械学習手法の一つである量子カーネル法は，従来の古典手法の性能を凌駕する可能性が示されている．一方で，昨年度の研究成果で報告したように，量子カーネル法では類似度消失という問題が起こることがわかっている．この問題は，使用する量子ビット数を増やしていくにつれて実機実装の困難や汎化性能の悪化を引き起こすため，実応用の観点で解決すべき課題である．本年度は，投影量子カーネルという，量子優位性の可能性が示されている量子カーネルにおいても類似度消失が起こってしまうのかを解析した．その結果，Alternating layered ansatz という種類の量子回路を用いた場合では，投影量子カーネルは類似度消失を回避しうることがわかった．
さらに，昨年度提案した量子フィッシャーカーネルを活用し，量子機械学習タスク向けの特徴量選択手法を提案した．従来の特徴量選択は，量子機械学習においても古典データを扱う際には重要な役割を担う．しかし，量子データを扱う場合は適用できないことや，データを埋め込んだ量子回路の性能に関する解釈性が乏しいということが言える．そこで本研究では，量子フィッシャーカーネルといったローカルな量子カーネルの学習を通して特徴的な部分空間を見つける手法の提案を行った．また数値実験を行い，本提案手法の有用性を検証した．
|
