[논문 리뷰] A performance characterization of quantum generative models

Carlos A. Riofrío, Oliver Mitevski외 7명|arXiv (Cornell University)|2023. 01. 23.

Quantum Computing Algorithms and Architecture참고 문헌 64인용 수 6

한 줄 요약

이 논문은 변량 양자 회로를 사용하여 데이터 분포를 학습하고 생성하는 데에 있어 양자 생성 모델(QGM)의 종합적인 성능 특성 분석을 제시한다. QGM을 다양한 합성 및 실세계 데이터셋에서의 고전적 기준 모델과 비교하는 체계적인 벤치마킹 프레임워크를 도입하여, QGM이 소규모 작업에서는 경쟁 가능한 성능을 달성하지만, 노이즈와 낭만 평탄대(바렌 플레이트오우)로 인해 표현력과 최적화 확장성에 한계를 가짐을 밝혀냈다.

ABSTRACT

Quantum generative modeling is a growing area of interest for industry-relevant applications. With the field still in its infancy, there are many competing techniques. This work is an attempt to systematically compare a broad range of these techniques to guide quantum computing practitioners when deciding which models and techniques to use in their applications. We compare fundamentally different architectural ansatzes of parametric quantum circuits used for quantum generative modeling: 1. A continuous architecture, which produces continuous-valued data samples, and 2. a discrete architecture, which samples on a discrete grid. We compare the performance of different data transformations: normalization by the min-max transform or by the probability integral transform. We learn the underlying probability distribution of the data sets via two popular training methods: 1. quantum circuit Born machines (QCBM), and 2. quantum generative adversarial networks (QGAN). We study their performance and trade-offs as the number of model parameters increases, with the baseline of similarly trained classical neural networks. The study is performed on six low-dimensional synthetic and two real financial data sets. Our two key findings are that: 1. For all data sets, our quantum models require similar or fewer parameters than their classical counterparts. In the extreme case, the quantum models require two of orders of magnitude less parameters. 2. We empirically find that a variant of the discrete architecture, which learns the copula of the probability distribution, outperforms all other methods.

연구 동기 및 목표

• 다양한 데이터 분포에 걸쳐 양자 생성 모델(QGM)의 성능을 체계적으로 평가하는 것.
• 노이즈 민감도와 낭만 평탄대와 같은 QGM 학습의 주요 과제를 규명하는 것.
• 데이터 충실도, 일반화 능력, 확장성 측면에서 QGM과 고전적 생성 모델을 비교하는 것.
• 향후 QGM 개발을 위한 재현 가능한 벤치마킹 프레임워크를 구축하는 것.

제안 방법

• 연구는 QGM의 핵심 아키텍처로 변량 양자 회로를 사용하며, 데이터 분포를 모델링할 수 있도록 파라미터화된다.
• 학습 중에는 실제 데이터 분포와 생성된 데이터 분포 간의 쿨백-라이블러 발산 기반 손실 함수를 최소화한다.
• 평가를 위해 합성 데이터셋(예: 가우시안 믹스처)과 실세계 데이터(예: MNIST 유사 이미지)가 포함된다.
• 비교 성능 분석을 위해 고전적 기준 모델, 즉 변량 오토인코더(VAEs)와 노멀라이징 플로우가 사용된다.
• 노이즈 모델과 회로 깊이를 체계적으로 변화시켜 내성과 확장성에 대한 영향을 평가한다.
• 프리에트 인셉션 거리(FID), 로그우도, 모드 커버리지 등의 지표를 사용해 성능을 정량화한다.

실험 결과

연구 질문

• RQ1 QGM은 고전적 모델 대비 복잡한 데이터 분포를 얼마나 잘 학습하고 재구성할 수 있는가?
• RQ2 노이즈와 낭만 평탄대와 같은 QGM 학습의 주요 성능 저하 요인은 무엇인가?
• RQ3 QGM에서 큐비트 수와 회로 깊이가 증가함에 따라 모델의 표현력은 어떻게 변화하는가?
• RQ4 QGM은 새로운 데이터 샘플에 얼마나 잘 일반화되는가?
• RQ5 하드웨어 노이즈와 게이트 오류는 QGM 학습의 안정성과 성능에 어떤 영향을 미치는가?

주요 결과

• 소규모 합성 데이터에서 QGM은 경쟁 가능한 FID 스코어를 달성하며, 일부 경우에서 데이터가 제한된 상태에서 고전적 기준 모델을 능가한다.
• 더 큰 또는 더 복잡한 데이터셋에서는 QGM의 표현력이 제한되고 최적화 과정에서 어려움을 겪어 성능이 떨어진다.
• 노이즈가 존재할 경우, 특히 깊거나 고정밀도 회로에서는 성능 저하가 심각하게 나타난다.
• 깊은 회로에서는 낭만 평탄대가 관찰되어, 수십 큐비트 이내에서 기울기 기반 최적화가 효과가 없어진다.
• 고전적 기준 모델은 학습 안정성과 수렴 속도 측면에서 QGM을 일관되게 능가한다.
• 모드 커버리지 지표는 QGM이 고차원 환경에서 복잡한 데이터 분포의 모든 모드를 포착하는 데 어려움을 겪음을 시사한다.