[논문 리뷰] Adiabatic Quantum Computing for Binary Clustering

Christian Bauckhage, Eduardo Barreto Brito외 4명|arXiv (Cornell University)|2017. 06. 17.

Quantum Computing Algorithms and Architecture참고 문헌 11인용 수 3

한 줄 요약

이 논문은 D-Wave 유형의 양자 프로세서에 적합한 이징 모델로 재구성된 k-means 목표 함수를 통해 이sov열 양자 계산을 이용한 이진 클러스터링을 제안한다. QuTiP를 통한 수치 시뮬레이션을 통해 큐비트 시스템이 클러스터 솔루션으로 이sov열적으로 진화하는 것을 입증하여, 비지도 학습에 대한 양자 이sov열 최적화의 가능성을 보여준다.

ABSTRACT

Quantum computing for machine learning attracts increasing attention and recent technological developments suggest that especially adiabatic quantum computing may soon be of practical interest. In this paper, we therefore consider this paradigm and discuss how to adopt it to the problem of binary clustering. Numerical simulations demonstrate the feasibility of our approach and illustrate how systems of qubits adiabatically evolve towards a solution.

연구 동기 및 목표

• 이sov열 양자 계산을 비지도 학습 작업에 적용함으로써 양자 계산과 기계 학습을 연결하고자 한다.
• 현재의 이sov열 양자 하드웨어에 호환되는 이징 모델에 고전적 클러스터링 목표를 매핑하는 데 도전하고자 한다.
• 이중 클러스터링을 위한 k-means가 이편산 분산을 최대화하는 것으로 동일하게 재정의될 수 있음을 보여주어, 이징 모델의 형식화를 가능하게 하고자 한다.
• QuTiP를 사용한 이sov열 진동의 수치 시뮬레이션을 통해 양자 접근법을 검증하고, 양자 상태 역학에 대한 통찰을 제공하고자 한다.

제안 방법

• k=2일 때 k-means 클러스터링 목표를 이편산 분산 $ S_B = 2n_1n_2\|\bm{\mu}_1 - \bm{\mu}_2\|^2 $ 를 최대화하는 방식으로 재구성하여, 내부 클러스터 산란을 최소화하는 것과 수학적으로 동일하다.
• 이편산 분산 $ S_B $ 의 최대화를 이차 무제약 이진 최적화(QUBO) 문제로 표현하여, 이는 직접적으로 이징 해밀토니안에 매핑된다.
• 스핀 상태가 클러스터 할당을 나타내는 큐비트 레지스터를 구성한다(예: +1은 클러스터 1, -1은 클러스터 2), 데이터 포인트 할당을 시스템의 에너지 장에 인코딩한다.
• 간단한 초기 해밀토니안에서 시작하여 클러스터링 문제에 해당하는 최종 이징 해밀토니안으로 이sov열적으로 진화하는 시간에 따라 변하는 해밀토니안을 정의한다.
• QuTiP를 사용하여 이sov열 진동을 시뮬레이션하고, 양자 상태 계수의 시간 진동을 추적하여 기저 상태로의 수렴을 관찰한다.
• 기저 상태 확률의 역학을 시각화하여, 최적의 클러스터링 구성으로의 시스템 진동 과정을 분석한다.

실험 결과

연구 질문

• RQ1 k=2인 k-means 클러스터링 문제를 이sov열 양자 계산에 적합한 이징 모델로 재구성할 수 있는가?
• RQ2 큐비트 레지스터의 이sov열 진동이 유효한 이진 클러스터링 솔루션에 해당하는 양자 상태로 수렴하는가?
• RQ3 이sov열 진동 중 기저 상태 계수의 진동 양상은 어떻게 변화하며, 이는 클러스터링 과정에 어떤 통찰을 제공하는가?
• RQ4 현재의 이sov열 양자 하드웨어(예: D-Wave)를 사용하여 이징 모델 인코딩을 통한 이진 클러스터링 문제를 해결하는 데 타당한가?
• RQ5 내부 클러스터 산란 최소화와 이편산 분산 최대화 간의 동치성을 활용하여 클러스터링의 양자 최적화를 가능하게 할 수 있는가?

주요 결과

• k=2-means 클러스터링에서 내부 클러스터 산란을 최소화하는 문제는 이편산 분산 $ S_B $ 를 최대화하는 것과 수학적으로 동일하며, 이는 양자 호환성 있는 재구성 가능하다.
• k=2일 때 이편산 분산 $ S_B $ 는 $ 2n_1n_2\|\bm{\mu}_1 - \bm{\mu}_2\|^2 $ 로 단순화되며, QUBO 및 이징 모델 인코딩에 적합한 이차 형식으로 표현할 수 있다.
• QuTiP를 사용한 수치 시뮬레이션을 통해 큐비트 시스템의 이sov열 진동이 최적의 클러스터링 구성에 해당하는 기저 상태로 수렴하는 것으로 확인되었다.
• 시뮬레이션 결과는 기저 상태 계수의 진동 방식이 올바른 클러스터 할당의 등장성을 강조함으로써, 양자 접근법의 타당성을 검증하였다.
• 고정된 데이터셋에 대해 총 산란 $ S_T $ 는 일정하며, $ S_T = S_W + \frac{1}{2n}S_B $ 이므로 $ S_W $ 를 최소화하는 것은 $ S_B $ 를 최대화하는 것과 동치임을 확인하여, 목표의 이중성(쌍대성)을 입증하였다.
• 이 방법은 기존의 양자 어닐링 하드웨어에 적합한 형태로 고전적 최적화 문제를 변환함으로써, 이sov열 양자 계산을 비지도 학습에 활용할 수 있도록 한다.