情報幾何に基づく量子ボルツマンマシンにおけるクラスター近似法に関する研究
将也 星川
Abstract
ボルツマンマシンは1985年にHintonらにとって提案された確率的ニューラルネットワークの一種である.さらにHintonによって提案された制限ボルツマンマシンは現在のディープラーニングへと発展した.ボルツマンマシンのネットワークの状態は,ある動作規則に従い確率的に変化していく.この状態変化を十分に繰り返す事で,ネットワークの状態が従う分布は平衡分布へ収束することが知られている.ボルツマンマシンの学習の一つの目的としてはデータから得られる経験分布を最も良く近似するような平衡分布を求めることである.ボルツマンマシンの学習では,その過程で平衡分布に関する期待値を計算する必要があるが,これは計算量的な困難性を抱えている. 期待値計算の手法としてはMCMC法やCD法が知られている.計算量の問題に対する他のアプローチとしては期待値計算可能なモデルで近似する平均場近似が有効であり,これは情報幾何的には-射影である事が知られている.さらに平均場近似を拡張したクラスター近似が提案されている.クラスター近似は,ビリーフプロパゲーション法などを用いて期待値の厳密計算が可能なクラスターに分割して近似する手法である. 本研究で扱う量子ボルツマンマシンはボルツマンマシンを量子系へ拡張したもので,量子コンピュータを用いた機械学習モデルの一つである.量子ボルツマンマシンにおいて横磁場のような非可換な項を導入しない場合,ボルツマンマシンと同様のモデルとなるため,量子ボルツマンマシンのモデルは古典ボルツマンマシンを包含していると言える.量子ボルツマンマシンの学習では素子に対する測定値に基づいて期待値計算を行い,古典コンピュータによるコントロールで量子系のパラメータ調整を行うが,ここで古典と同様に計算量の問題を抱えている. そこで本研究では,古典ボルツマンマシンの計算困難性に対する手法の一つであるクラスター近似を量子ボルツマンマシンに適用した.量子ボルツマンマシンにおけるクラスター近似について考えるときには,量子ボルツマンマシンのモデルが量子指数型分布族である事から,量子情報幾何を用いるのが良い. 量子ボルツマンマシンにおいてクラスター近似を適用する事で,例えばNISQのような小中規模の量子コンピュータ上で学習したモデルをクラスターとみなし繋ぎ合わせる事で大規模なモデルを近似するといった事が期待される.