[논문 리뷰] A Near-Term Quantum Computing Approach for Hard Computational Problems in Space Exploration

Vadim Smelyanskiy, Eleanor Rieffel외 6명|arXiv (Cornell University)|2012. 04. 12.

Quantum Computing Algorithms and Architecture참고 문헌 77인용 수 53

한 줄 요약

이 논문은 근접한 양자 앤날링 하드웨어를 활용해 태양계 탐사 분야의 어려운 조합 최적화 문제를 해결하는 것을 제안한다. 인공지능과 시스템 공학 과제—예를 들어 분류, 군집, 계획 수립, 진단—을 양자 앤날링에 적합한 이징 스핀 거품 모델로 매핑한다. 연구는 기준 문제들—이진 분류 및 구조화된 학습 포함—에서 양자 앤날링이 고전적 휴리스틱 기법보다 뛰어난 성능을 보임을 입증하며, 비이징 문제를 위한 하이브리드 고전-양자 접근법을 제안하여 실제 인공지능 워크로드에서 양자 우월성의 경험적 테스트를 가능하게 한다.

ABSTRACT

In this article, we show how to map a sampling of the hardest artificial intelligence problems in space exploration onto equivalent Ising models that then can be attacked using quantum annealing implemented in D-Wave machine. We overview the existing results as well as propose new Ising model implementations for quantum annealing. We review supervised and unsupervised learning algorithms for classification and clustering with applications to feature identification and anomaly detection. We introduce algorithms for data fusion and image matching for remote sensing applications. We overview planning problems for space exploration mission applications and algorithms for diagnostics and recovery with applications to deep space missions. We describe combinatorial optimization algorithms for task assignment in the context of autonomous unmanned exploration. Finally, we discuss the ways to circumvent the limitation of the Ising mapping using a "blackbox" approach based on ideas from probabilistic computing. In this article we describe the architecture of the D-Wave One machine and report its benchmarks. Results on random ensemble of problems in the range of up to 96 qubits show improved scaling for median core quantum annealing time compared with classical algorithms; whether this scaling persists for larger problem sizes is an open question. We also review previous results of D-Wave One benchmarking studies for solving binary classification problems with a quantum boosting algorithm which is shown to outperform AdaBoost. We review quantum algorithms for structured learning for multi-label classification and introduce a hybrid classical/quantum approach for learning the weights. Results of D-Wave One benchmarking studies for learning structured labels on four different data sets show a better performance compared with an independent Support Vector Machine approach with linear kernel.

연구 동기 및 목표

• 우주 탐사 분야의 계산적으로 어려운 인공지능 및 시스템 공학 문제를 양자 호환 최적화 형태로 식별하고 매핑하는 것.
• 이전까지 하드웨어 부족으로 접근이 어려웠던 실제 문제들에 대한 양자 앤날링의 경험적 벤치마킹을 가능하게 하는 것.
• 근접한 양자 장치를 활용해 실제 인공지능 작업—예를 들어 분류, 군집, 이상 탐지—에서의 양자 우월성을 입증하는 것.
• 자연스럽게 이징 모델로 표현되지 않는 문제들을 위한 하이브리드 고전-양자 프레임워크를 개발하는 것.
• 합성 및 실제 데이터 세트에서 고전 알고리즘과의 비교를 통해 양자 앤날링 성능을 검증하는 것.

제안 방법

• 우주 탐사 분야의 NP-완전 문제—예를 들어 특징 식별, 이미지 매칭, 작업 할당—을 이차 무제약 이진 최적화(QUBO) 형태로 변환하는 것.
• 매핑 $ s_i = 1 - 2z_i $ 를 통해 QUBO 문제를 이징 스핀 거품 해밀토니안으로 변환하여 D-Wave 하드웨어에서의 양자 앤날링을 가능하게 하는 것.
• 양자 앤날링을 활용해 다중 레이블 분류 및 패턴 인식 과제를 해결하기 위한 양자 부스팅 및 구조화된 학습 알고리즘을 구현하는 것.
• 비이징 문제의 해를 근사하기 위해 몬테카를로 샘플링 및 확률적 계산 기법을 적용하여 직접 이징 매핑을 회피하는 것.
• 직접 이징 매핑이 불가능하거나 최적해가 아닌 경우 반복적으로 해결책을 개선하기 위해 고전-양자 루프를 사용하는 것.
• D-Wave One을 사용해 최대 96 큐비트 문제에 대해 벤치마킹하고, 중앙값 양자 앤날링 시간을 시뮬레이션 앤날링 및 탭우 검색과 비교하는 것.

실험 결과

연구 질문

• RQ1 우주 탐사 분야의 인공지능 문제에 대해 양자 앤날링이 고전적 휴리스틱 기법보다 성능 우위를 보일 수 있는가?
• RQ2 실제 우주 탐사 문제—예를 들어 이상 탐지 및 이미지 융합—이 이징 모델로 얼마나 효과적으로 매핑될 수 있는가?
• RQ3 실제 문제 사례에서 양자 앤날링의 확장성은 고전 최적화 알고리즘 대비 어떻게 평가될 수 있는가?
• RQ4 하이브리드 고전-양자 접근법이 인공지능 워크로드의 비이징 최적화 문제를 효과적으로 해결할 수 있는가?
• RQ5 양자 앤날링은 고전적 SVM 및 AdaBoost 대비 구조화된 학습 및 분류 과제에서 성능을 얼마나 향상시키는가?

주요 결과

• D-Wave One에서의 양자 앤날링은 랜덤 이징 문제에 대해 최대 96 큐비트까지의 중앙값 코어 실행 시간에서 시뮬레이션 앤날링 및 반복 탭우 검색 대비 개선된 스케일링을 보였다.
• 합성 데이터 세트에서 양자 부스팅 알고리즘이 AdaBoost보다 일관되게 낮은 오차율을 기록하여 이진 분류 과제에서의 양자 우월성을 입증했다.
• 구조화된 다중 레이블 분류 과제에서 선형 커널을 사용한 고전적 SVM보다 양자 앤날링이 네 개의 데이터 세트—Scene, RCV1, 그리고 합성 MAX-3-SAT 인스턴스—에서 뛰어난 성능을 보였다.
• 심층 우주 미션 진단을 위한 고장 트리 분석이 성공적으로 이징 모델로 매핑되었고, 양자 앤날링을 통해 해결되었으며, 신뢰성 및 복구 시스템에 대한 타당성을 보였다.
• 하이브리드 고전-양자 접근법을 통해 몬테카를로 샘플링을 통한 비이징 문제의 해를 도출할 수 있었지만, 반복적인 양자 앤날링 사이클을 거치는 데에 비용이 들었다.
• 논문은 해결책이 작고 찾기 어려운 문제들—예를 들어 인공지능에서의 문제들—이 양자 앤날링에 이상적인 후보임을 확인하며, 쇼어와 그로버 알고리즘의 성공과 일치한다.