[논문 리뷰] A review of Quantum Neural Networks: Methods, Models, Dilemma

Ren-Xin Zhao, Shi Wang|arXiv (Cornell University)|2021. 09. 04.

Quantum Computing Algorithms and Architecture참고 문헌 68인용 수 24

한 줄 요약

이 논문은 지난 6년간 양자 신경망(QNNs)에 대해 종합적으로 검토하며, 변이 양자 알고리즘(VQA)과 같은 실현 방법, QBM 및 QCVNN와 같은 양자 회로 모델, 그리고 비옥대평원(바렌 플레이트오)과 양자 우월성 검증과 같은 핵심 과제를 다룬다. 이는 QNNs가 계산 효율성과 저장 용량 측면에서 이론적으로는 잠재력을 보이지만, 하드웨어 제약과 학습의 불안정성, 특히 깊은 회로에서의 문제로 인해 실제 구현이 제한되어 있음을 강조한다.

ABSTRACT

The rapid development of quantum computer hardware has laid the hardware foundation for the realization of QNN. Due to quantum properties, QNN shows higher storage capacity and computational efficiency compared to its classical counterparts. This article will review the development of QNN in the past six years from three parts: implementation methods, quantum circuit models, and difficulties faced. Among them, the first part, the implementation method, mainly refers to some underlying algorithms and theoretical frameworks for constructing QNN models, such as VQA. The second part introduces several quantum circuit models of QNN, including QBM, QCVNN and so on. The third part describes some of the main difficult problems currently encountered. In short, this field is still in the exploratory stage, full of magic and practical significance.

연구 동기 및 목표

• 최근 6년간 양자 신경망(QNNs)에 대한 종합적인 리뷰를 제공하는 것.
• VQA와 파라미터화된 양자 회로와 같은 실현 방법을 분석하는 것.
• QBM, QCVNN, QGAN과 같은 핵심 양자 회로 모델을 검토하는 것.
• QNN 개발에서 주요 과제, 특히 비옥대평원 문제와 양자 우월성 검증을 특정하고 논의하는 것.
• 현재 QNNs가 물리적 실현 가능성과 학습 가능성 측면에서 해결되지 않은 문제들이 남아 있는 탐색 단계에 있다는 점을 명확히 하는 것.

제안 방법

• 논문은 QNN 연구를 세 가지 주요 영역으로 분류한다: 실현 방법, 양자 회로 모델, 핵심 과제.
• 파라미터화된 양자 회로를 사용하는 VQA를 QNN을 구성하는 주요 방법으로 검토한다.
• 특정 양자 회로 모델, 즉 양자 볼츠만 기계(QBM), 양자 컨volution 신경망(QCVNN), 양자 생성 대립 신경망(QGAN)을 분석한다.
• 비선형 활성화 함수를 구현하기 위해 양자 측정과 반복-성공 기반(RUS) 기법의 역할을 분석한다.
• 파라미터화된 양자 회로에서 기울기 소실을 이론적으로 분석함으로써 비옥대평원 문제를 조사한다.
• 물리적 실현 가능성, 양자 진화, 신경망 유사 계산과 같은 기준을 사용하여 QNN의 실현 가능성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 QNN를 구축하는 데 주로 사용되는 실현 방법은 무엇이며, 어떻게 변이 양자 회로를 활용하는가?
• RQ2 QBM와 QCVNN와 같은 다양한 양자 회로 모델은 아키텍처와 계산 능력 측면에서 어떻게 다를까?
• RQ3 QNN 학습의 주요 이론적 및 실용적 장벽은 무엇이며, 특히 비옥대평원 문제는 어떤가?
• RQ4 현재 NISQ 장치에서 QNN는 고전적 신경망에 비해 어느 정도의 양자 우월성을 나타낼 수 있는가?
• RQ5 진정으로 QNN로 간주되기 위해 필요한 기준은 무엇이며, 왜 대부분의 기존 모델이 이를 충족하지 못하는가?

주요 결과

• 비옥대평원 문제 발생 원인은 비트 수가 증가함에 따라 비용 함수의 기울기가 지수적으로 소멸하는 데 기인하며, 특히 t-design 조건을 만족하는 회로에서는 학습이 불가능해진다.
• 하드웨어 효율적 앤사츠와 행렬 곱 상태(MPS) 기반 앤사츠의 경우, 비용 함수의 구조상 비옥대평원 문제가 피할 수 없다.
• 반대로, QCVNN과 트리 텐서 네트워크 앤사츠는 비옥대평원 문제를 겪지 않으며, 이는 아키텍처 설계가 학습 가능성에 상당한 영향을 미친다는 것을 시사한다.
• 전역 관측량 대신 局부 관측량을 비용 함수에 사용하면, 얕은 회로에서도 기울기 소실을 완화할 수 있다.
• RUS 기반의 양자 회로를 사용하면 비선형 활성화 함수를 구현할 수 있으며, 이는 비선형 QNN로 향하는 유망한 길을 제시한다.
• 저장 및 계산 측면에서 이론적 우월성이 있음에도 불구하고, 대부분의 현재 QNN 모델은 노이즈와 불안정성으로 인해 물리적 실현 가능성에 결함이 있으며, 양자 우월성을 완전히 실현하지 못하고 있다.