量子アニーリング(QA)は、QAから得られる出力値の分布がボルツマン分布に近いことを利用してボルツマン機械学習に使われることがあります。今回は、QAの代わりにシミュレーテッド量子アニーリング(SQA)を用いて、どの温度のボルツマン分布にどのくらい近いのかをエネルギー分布だけでなく、磁化やオーバーラップといった違う指標も使って確かめました。さらにそれぞれのサンプリングを使ってRBMを学習し、実際にどのようなサンプリングの分布になっているか確かめました。結果として、SQAの分布はボルツマン分布に従う様子が見らましたが、T=1.0のボルツマン分布に補正するとずれがみられました。また、SQA学習のRBMのサンプリング分布はMCMCベースのRBMよりも低エネルギー帯に分布していることがわかりました。

制限ボルツマンマシン(RBM)は、学習する際、コンストラクティブ・ダイバージェンス(CD)という手法で近似的に学習します。また、別の手法として、量子アニ―ラ―(QA)からサンプリングして学習する手法があります。この二つの手法は、全く異なる手法を取っているため、性能比較がされる必要があります。本論文では、CDで学習されたRBMとQAで学習されたRBMを使って、画像分類、画像再構成、対数尤度の精度を比較しました。

敵対的生成ネットワーク(GAN:Generative Adversarial Network)は、画像を生成する深層学習であり、パラメータが多くなるほど、計算コストが一層高くなるという問題があります。そこで、本論文ではGANの生成器を量子回路とニューラルネットワークのハイブリットで構成し、その結果、手書き画像の生成において、計算コストを削減することに成功しました。