[논문 리뷰] Approximate Quantum Random Access Memory Architectures

Koustubh Phalak, Junde Li외 1명|arXiv (Cornell University)|2022. 10. 24.

Quantum Computing Algorithms and Architecture인용 수 5

한 줄 요약

이 논문은 훈련 가능한 양자 회로를 사용하여 초전파 상태에서 고전적 데이터를 저장하고 검색하는 약간의 Parametric Quantum Circuit (PQC)-기반 양자 랜덤 액세스 메모리 (QRAM)를 제안한다. QNN+QRAM을 사용한 이진 분류에서 더 빠른 수렴(6번째 에포크)과 더 낮은 손실(0.53)을 보였으며, 이는 완전히 연결된 신경망(15번째 에포크, 0.89 손실)보다 우수하다. 고차원 데이터 저장을 위해 응집형 클러스터링 전처리를 통해 성능이 향상된다.

ABSTRACT

Quantum supremacy in many applications using well-known quantum algorithms rely on availability of data in quantum format. Quantum Random Access Memory (QRAM), an equivalent of classical Random Access Memory (RAM), fulfills this requirement. However, the existing QRAM proposals either require qutrit technology and/or incur access challenges. We propose an approximate Parametric Quantum Circuit (PQC) based QRAM which takes address lines as input and gives out the corresponding data in these address lines as the output. We present two applications of the proposed PQC-based QRAM namely, storage of binary data and storage of machine learning (ML) dataset for classification.

연구 동기 및 목표

• NISQ 시대의 양자 기계 학습을 위한 효율적이고 확장 가능한 양자 데이터 로딩 문제를 해결하기 위해, 훈련 가능한 약간의 QRAM 아키텍처를 제안한다.
• 데이터 검색을 위한 QRAM 통합을 통해 양자 신경망(QNN) 훈련의 더 빠른 수렴과 개선된 일반화를 가능하게 한다.
• 이를 위해 응집형 클러스터링을 전처리 단계로 도입하여 해밍 거리 감소와 정확한 예측 비율 증가를 통해 이진 데이터 저장에서 QRAM 성능을 향상시킨다.
• 주소선과 데이터선 수가 증가함에 따라 QRAM 정확도와 확장성 간의 상호 교환 관계를 평가한다.
• 약간의 QRAM이 특정 양자 기계 학습 작업에서 고전적 데이터 임bedding 및 완전히 연결된 네트워크보다 우수할 수 있음을 입증한다.

제안 방법

• 제안된 QRAM는 입력 주소를 해당 데이터 값으로 매핑하는 훈련 가능한 양자 회로로, 초전파 상태에서 작동한다.
• PQC는 두 단계 과정을 통해 훈련된다: 첫 번째로 보조 PQC가 QRAM를 데이터 저장을 위해 훈련시키고, 두 번째로 훈련된 QRAM를 QNN의 입력으로 사용하여 분류를 수행한다.
• 이진 데이터 저장을 위해, 작은 주소 공간에서도 충분한 훈련 샘플을 확보하기 위해 데이터셋을 복제하여 확장한 후 훈련한다.
• 응집형 클러스터링은 유사한 데이터 포인트를 그룹화하여 각 QRAM 인스턴스의 효과적 크기를 줄이고 훈련 효율을 향상시키기 위한 전처리 단계로 적용된다.
• 성능 평가에는 해밍 거리(HD)와 정확한 예측 비율을 사용하며, 손실은 100개의 훈련 에포크 동안 평균 제곱오차로 계산된다.
• QRAM 아키텍처는 고정된 구조를 가지며, 이 구현에서는 점진적 데이터 업데이트를 지원하지 않는다.

실험 결과

연구 질문

• RQ1 약간의 PQC 기반 QRAM가 고전적 신경망과 고전적 데이터 임베딩을 사용한 QNN보다 양자 기계 학습 작업에서 더 빠른 수렴을 달성할 수 있는가?
• RQ2 주소선과 데이터선 수가 증가함에 따라 QRAM 성능이 해밍 거리와 정확한 예측 비율 측면에서 어떻게 저하되는가?
• RQ3 응집형 클러스터링 전처리가 고차원 이진 데이터 저장에서 QRAM의 정확도와 강건성을 어느 정도 향상시킬 수 있는가?
• RQ4 QRAM를 사용한 분류 작업에서 QRAM의 근사 오차와 QNN의 표현력 간의 상호 교환 관계는 어떠한가?
• RQ5 제안된 QRAM 아키텍처가 큐트리트 또는 복잡한 오류를 유발하기 쉬운 회로를 요구하지 않고도 양자 기계 학습을 위한 양자 데이터 로딩을 효과적으로 지원할 수 있는가?

주요 결과

• QRAM + QNN는 6번째 에포크에 100% 분류 정확도를 달성하여, 고전적 임베딩을 사용한 QNN(10번째 에포크)과 완전히 연결된 신경망(15번째 에포크)을 초월했다.
• QRAM + QNN의 손실은 0.53으로, 완전히 연결된 신경망(0.89)보다 유의미하게 낮았으며, 고전적 임베딩을 사용한 QNN(0.48)와 유사한 수준이었다.
• 이진 데이터 저장에서 주소선 수가 2에서 9로 증가함에 따라 해밍 거리는 0에서 3.97로 증가했고, 정확한 예측 비율은 100%에서 0.58%로 감소했다.
• 응집형 클러스터링 전처리를 적용한 결과, 주소선 수가 9일 때 해밍 거리는 3.97에서 2.17로 감소했고, 정확한 예측 비율은 0.58%에서 10.1%로 향상되었다.
• 손실 곡선은 클러스터링을 통한 일관된 개선을 보였으며, 모든 주소선 수에서 평균 제곱오차가 낮게 유지되었다.
• QRAM 아키텍처는 고전적 모델보다 더 빠른 수렴과 낮은 손실을 보였으며, 표현 학습에서 잠재적인 양자 우위를 보여주었다.