Core Concepts
量子ニューラルネットワークのパフォーマンスを最大化するためには、最適なハイパーパラメータの選択が重要である。本研究では、主要なハイパーパラメータの影響を分析し、具体的な推奨事項を提示する。
Abstract
本研究では、量子ニューラルネットワーク(QNN)のハイパーパラメータ調整に関する大規模な実験的評価を行った。主な知見は以下の通り:
オプティマイザとパラメータ初期化が最も重要なハイパーパラメータである。特にベータ分布を用いた初期化が優れた結果を示した。
COBYLA and SPSA オプティマイザが最も良好なパフォーマンスを発揮し、Nelder-Mead は一貫して劣る結果となった。
量子特徴マップの選択は重要で、ZZFeatureMapがベータ分布初期化と組み合わさると良好な結果が得られる。これは量子エンタングルメントによるバレンプラトー問題への対処に寄与していると考えられる。
前処理手法ではLDAがPCAよりも優れた結果を示し、損失関数の地形を有利に変形していると示唆された。
全体として、オプティマイザと初期化手法の選択が最も重要であり、量子特徴マップとエンタングルメント、前処理手法も考慮する必要がある。本研究の知見は、QNNの実用化に向けた重要な指針となる。
Stats
量子ニューラルネットワークの訓練には、Meta社のLlama 2 LLMsで184,320から1,720,320 GPU時間が必要で、31.22から291.42 tCO2相当の排出量がある。