[論文レビュー] Quantum Machine Learning for Material Synthesis and Hardware Security

Collin Beaudoin, Satwik Kundu+2 more|arXiv (Cornell University)|Aug 16, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 7

ひとこと要約

本稿では、化学的レトロシンセシスとハードウェアトロイの検出という2つの重要な課題に対して、量子LSTM（QLSTM）および量子ニューラルネットワーク（QNN）モデルを提案する。USPTO-50kデータセットを用いた4キュービットのQLSTMでは、反応予測のテスト精度が80%に達し、古典的LSTMの70%を上回った。一方、2キュービットのQNNは、電力および面積特徴量を用いてハードウェアトロイの検出において97.27%の精度を達成し、材料科学およびハードウェアセキュリティ分野における量子機械学習（QML）の実現可能性を示した。

ABSTRACT

Using quantum computing, this paper addresses two scientifically pressing and day-to-day relevant problems, namely, chemical retrosynthesis which is an important step in drug/material discovery and security of the semiconductor supply chain. We show that Quantum Long Short-Term Memory (QLSTM) is a viable tool for retrosynthesis. We achieve 65% training accuracy with QLSTM, whereas classical LSTM can achieve 100%. However, in testing, we achieve 80% accuracy with the QLSTM while classical LSTM peaks at only 70% accuracy! We also demonstrate an application of Quantum Neural Network (QNN) in the hardware security domain, specifically in Hardware Trojan (HT) detection using a set of power and area Trojan features. The QNN model achieves detection accuracy as high as 97.27%.

研究の動機と目的

• 薬品および材料の発見における重要なステップである化学的レトロシンセシスの計算的ボトルネックを、量子機械学習（QML）を活用して高速化および予測精度の向上を図ること。
• スケーラビリティの問題、長時間のトレーニング、事前定義された反応ライブラリへの依存といった、古典的機械学習モデルのレトロシンセシス分野における限界を克服すること。
• 電力および面積特徴量を用いてトレーニングされた量子ニューラルネットワークを用いてハードウェアトロイの検出を実施することで、ハードウェアセキュリティ分野におけるQMLの実現可能性を示すこと。
• 現在のハードウェア制約にもかかわらず、一般化性能および小規模データセットに対するロバストネスの観点から、特定のシナリオにおいて古典的モデルを上回るQMLモデルの性能を示すこと。
• 材料合成および半導体サプライチェーンセキュリティという2つの高影響分野におけるQMLのプロトタイプを確立し、将来的な最適化におけるその可能性を強調すること。

提案手法

• USPTO-50kデータセットを用いた反応経路予測のため、SMILES形式にエンコードされた分子配列を処理する4キュービットの量子-古典ハイブリッドQLSTMモデルを実装する。
• 埋め込み層を介したシーケンス・ツー・シーケンスアーキテクチャを採用し、パラメータ化された量子回路を用いて分子特徴を符号化・処理する量子プロセッシングユニット（QPU）を統合してQLSTMをトレーニングする。
• 量子状態の測定結果を離散的な反応予測に変換するためのソフトマックス層を出力部に設け、変分量子アルゴリズムを用いて交差エントロピー損失を最適化する。
• ハードウェアセキュリティ分野では、50個の電力および面積トロイ特徴量をt-SNEを用いて次元削減し、2次元に縮小した後、分類に用いる2キュービットのQNNに入力する。
• 学習率0.01で確率的勾配降下法を用いてQNNをトレーニングし、SVM、パーセプトロン、全結合ニューラルネットワークなどの古典的モデルと性能を比較する。
• データ拡張およびハイパーパrameter（例：学習率）の最適化を実施し、特にデータが少ない状況下での一般化性能を向上させ、QNNのロバストネスを評価する。

実験結果

リサーチクエスチョン

• RQ1 トレーニング精度が低いにもかかわらず、複雑な分子の反応経路予測において、量子強化LSTM（QLSTM）モデルが古典的LSTMを上回る性能を示せるか？
• RQ2 特に反応物内に含まれる共通の部分構造を予測する場面において、QLSTMは古典的LSTMよりも一般化性能に優れているか？
• RQ3 最小限の特徴量セットでトレーニングされた小規模なQNN（2キュービット）が、古典的機械学習モデルと比較して、ハードウェアトロイの検出精度で競争的または優れた性能を示せるか？
• RQ4 t-SNEによる次元削減後に特徴量数が減少した状況下で、QNNの性能はSVMや全結合ネットワークなどの古典的モデルと比べてどうなるか？
• RQ5 HT検出やレトロシンセシスといった実世界の応用において、データ量が限られ、ハードウェア制約がある状況下で、QMLモデルはどの程度その欠損を補填できるか？

主な発見

• QLSTMモデルは、トレーニング精度が65%（古典的LSTMの100%）であるにもかかわらず、反応経路予測のテスト精度で80%を達成し、古典的LSTMのピークである70%を上回った。
• 部分構造予測のタスクでは、トレーニング段階でQLSTMは55%の精度を示したが、古典的LSTMは65%であった。しかし、テスト段階ではQLSTMが80%、古典的モデルが70%を記録し、QLSTMが優位に立った。
• QNNモデルは、t-SNEで次元削減された2特徴量のデータセット（元の50特徴量から）を用いてトレーニングした結果、ハードウェアトロイ検出で97.27%のテスト精度を達成し、パーセプトロン（73.72%）やGaussianNB（74.92%）といった線形分類器を上回った。
• 元の500件のサンプルを含む50特徴量のデータセット（900サンプル）を用いた場合、QNNは97.09%の精度を達成し、古典的ニューラルネットワークの97.09%とほぼ同等の性能を示した。これは、低データ環境下でも性能が同等に保たれることを示しており、強い性能パラメータを示している。
• 古典的ニューラルネットワークは98.03%のトレーニング精度および98.35%のテスト精度を達成しており、QNNが精度面でまだ優れているとは言えないが、最適化の余地が著しく大きいことが示唆された。
• これらの結果から、データがスパースであるか、特徴量が削減された状況下では、QMLモデルが古典的モデルよりも一般化性能に優れている可能性が示され、実世界の展開においてそのロバストネスが顕著に現れている。