[논문 리뷰] Adversarial training of quantum Born machine

Haozhen Situ, Zhimin He외 2명|arXiv (Cornell University)|2018. 07. 03.

Quantum Computing Algorithms and Architecture참고 문헌 34인용 수 4

한 줄 요약

이 논문은 목표 확률 분포를 따르는 데이터를 생성하기 위해 고전적 판별기(classical discriminator)를 사용하여 파arameterized 양자 회로를 훈련시키는 양자 생성 대안 네트워크(Q-GAN)를 제안한다. 1 큐비트 및 2 큐비트 게이트를 활용하고 경사 하강법으로 파rameter를 최적화함으로써, 저규모 실험에서 양자 회로가 생성 모델링을 위한 대안적 설정에서 효과적으로 훈련될 수 있음을 저자들이 입증한다.

ABSTRACT

Generative adversarial network (GAN) is an effective machine learning framework to train unsupervised generative models, and has drawn lots of attention in recent years. In the meantime, there are some researches that use parameterized quantum circuits to generate simple patterns. In this paper, we present a quantum version of GAN, where parameterized quantum circuits are trained by an adversarial discriminator, to generate new samples that follows the probability distribution of a given training dataset. Two families of quantum circuits, both composed of simple one-qubit rotation and two-qubit controlled-phase gates, are considered. The parameters are learned through classical gradient descent optimization. The results of a small-scale proof-of-principle numerical experiment demonstrate that quantum circuits can be trained in an adversarial way for generative tasks.

연구 동기 및 목표

• 비교적 간단한 양자 회로를 활용하여 비지도 생성 모델링을 위한 양자 버전의 생성 대안 네트워크(GAN)를 개발하는 것.
• 파arameterized 양자 회로가 고전적 최적화를 통해 대안적 훈련을 통해 복잡한 데이터 분포를 학습할 수 있는지 조사하는 것.
• 단순한 양자 게이트—특히 1 큐비트 회전 게이트와 제어-위상 게이트—를 사용하여 GAN 프레임워크 내에서 생성 작업을 수행할 수 있는지 평가하는 것.
• 낮은 규모의 설정에서도 양자 회로가 경사 하강법을 통해 대안적 설정에서 훈련될 수 있음을 보여주는 것.

제안 방법

• Q-GAN 프레임워크의 생성기(generator)로 1 큐비트 회전 게이트와 2 큐비트 제어-위상 게이트로 구성된 두 종류의 양자 회로 가족을 사용한다.
• 실제 훈련 데이터와 생성된 양자 샘플을 구분하기 위해 고전적 판별기 네트워크를 활용한다.
• 판별기의 피드백에 기반하여 양자 생성기의 회로 파arameter에 대해 경사 하강법을 사용하여 훈련한다.
• 양자 상태를 준비한 생성기로부터 고전적 확률 분포를 추출하기 위해 보른 규칙(Born rule)을 적용한다.
• 판별기의 손실를 양자 회로의 파arameter화된 게이트를 통해 역전파하여 생성기 파arameter를 최적화한다.
• 소규모 수치 실험을 통해 Q-GAN 설정의 훈련 동역학과 수렴성을 검증한다.

실험 결과

연구 질문

• RQ1 파arameterized 양자 회로가 목표 분포를 따르는 데이터를 생성하기 위해 대안적 프레임워크에서 효과적으로 훈련될 수 있는가?
• RQ2 특히 1 큐비트 회전 게이트와 제어-위상 게이트를 포함한 단순한 양자 게이트가 GAN 설정에서 복잡한 확률 분포를 얼마나 잘 표현할 수 있는가?
• RQ3 고전적 판별기와 결합할 때, 경사 기반 최적화가 양자 생성기 훈련에 타당한가?
• RQ4 소수의 큐비트와 얕은 회로만을 사용하여도, 양자 생성 모델에서 대안적 훈련이 가능한가?

주요 결과

• 제안된 Q-GAN 프레임워크는 고전적 판별기의 대안적 피드백을 활용하여 파arameterized 양자 회로를 성공적으로 훈련시킨다.
• 저규모 실험에서 양자 생성기가 목표 훈련 데이터 분포와 유사한 출력 분포를 학습한다.
• 1 큐비트 회전 게이트와 제어-위상 게이트의 사용은 생성 모델링을 위한 양자 상태의 효과적 파arameter화를 가능하게 한다.
• 경사 하강법 최적화는 양자 생성기에서 실현 가능하며, 파arameter 업데이트가 대안적 훈련 루프 내에서 계산되고 적용될 수 있음을 보여준다.
• 수치 결과는 양자 회로가 대안적 방식으로 생성 작업을 위해 훈련될 수 있음을 확인하며, Q-GAN의 핵심 개념을 검증한다.
• 실험 결과는 제한된 큐비트 수와 회로 깊이 조건에서도 모델이 목표 분포의 핵심 특징을 포착할 수 있음을 보여준다.