2017 Fiscal Year Research-status Report
Learning of neuromorphic quantum computation algorithms
| Project/Area Number |
17K18864
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
佐藤 茂雄 東北大学, 電気通信研究所, 教授 (10282013)
|
|---|
| Project Period (FY) |
2017-06-30 – 2019-03-31
|
| Keywords | 量子計算 / 学習 / アルゴリズム / 脳型計算 |
|---|
| Outline of Annual Research Achievements |
まず申請者らが提案している脳型量子計算アルゴリズムでは、ニューロン間相互作用を量子ビット間相互作用に変換することにより、人工神経回路での計算手法（最適化問題への応用など）を、量子計算に応用することが可能となっている。この際、ニューロン間相互作用を表現するシナプス荷重値行列が、量子ビット間の相互作用を決定するハミルトニアンに変換される。また、量子ビット回路の状態遷移はハミルトニアンの断熱的変化、すなわち、すべての量子状態が基底状態を構成する初期ハミルトニアンから、解くべき問題に対応するハミルトニアンへの準静的変化によって引き起こされる。
初年度は量子計算アルゴリズム自動獲得の実現に向け、上記脳型量子計算アルゴリズムをベースに、ハミルトニアンを学習によって獲得する手法を提案した。すなわち、学習対象パターンに応じて量子ビット間相互作用強度を徐々に変調することで学習対象パターンの重ね合わせ状態を基底状態に持つようなハミルトニアンを自動獲得する手法を考案した。より具体的には、人工神経回路で用いられる学習則の一種であるヘッブ則と反ヘッブ則を量子計算用に変換し、ハミルトニアンの更新則として適用した。
こうして得られた学習則を用いて、量子ビットネットワークに適用し、連想記憶や認識処理に応用し、学習則の有効性と問題点を明らかにした。500回学習して獲得したハミルトニアンを用いた量子連想記憶の正解パターン想起確率を調べた結果、従来の自己相関（学習無し）から得られたハミルトニアンに比べ、7％程度想起性能が向上することが明らかになった。このことは、学習によるハミルトニアンの最適化が可能であることを意味している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
交付申請書に記載の計画通りに研究が進んでいる。得られた知見は、学習によって獲得された量子計算用ハミルトニアンが正しく機能することを証明しており、アルゴリズムを自動獲得しうる量子計算機の実現に向けた重要な成果であると言える。
|
| Strategy for Future Research Activity |
当初の計画通り、得られた学習則を具体的に実装するためのハードウェアを設計し、その性能を数値シミュレーションによって評価する。超伝導量子ビットのひとつである磁束量子ビットを用いること想定し、ジョセフソン接合やSQUID、各種フィルタを構成要素とする超伝導量子回路を構成する。引き続き、得られた量子回路での学習動作を数値シミュレーションによって評価し、その有効性と問題点を明らかにする。ハードウェア上の制約に由来する性能劣化が認められれば、これについて検討を加え、学習則の改良を図る。
|
| Causes of Carryover |
計算アルゴリズムの改良によりシミュレーションに必要な計算量を低減できることが判明し、購入する計算機のスペックを落としたため、購入金額を大幅に抑えることができた。一方、二年度はハードウェア実装を意識したシミュレーションを行うことを予定しており、シミュレーションの精度を高めるためには、超伝導体の物性データを自身の実験により確定することが近道であり、初年度で生じた差額をそのような実験用に充当する予定である。
|
