[논문 리뷰] Autonomous Quantum Perceptron Neural Network

Alaa Sagheer, Mohammed Zidan|arXiv (Cornell University)|2013. 12. 15.

Quantum Computing Algorithms and Architecture참고 문헌 10인용 수 18

한 줄 요약

이 논문은 단일 양자 뉴런을 사용하여 자동으로 자기 적응형 활성화 연산자를 생성하는 자율 양자 퍼셉트론 신경망(AQPNN)을 제안한다. 이는 선형적으로 분리되지 않는 문제들, 예를 들어 XOR 문제에 대해 한 번의 반복만으로도 효율적이고 저비용으로 학습을 가능하게 한다. 이 방법은 최소한의 학습 데이터로도 높은 정확도(97.73%)를 달성하며, 기존의 양자 퍼셉트론 모델들보다 계산 효율성과 일반화 능력에서 뛰어나다.

ABSTRACT

Recently, with the rapid development of technology, there are a lot of applications require to achieve low-cost learning. However the computational power of classical artificial neural networks, they are not capable to provide low-cost learning. In contrast, quantum neural networks may be representing a good computational alternate to classical neural network approaches, based on the computational power of quantum bit (qubit) over the classical bit. In this paper we present a new computational approach to the quantum perceptron neural network can achieve learning in low-cost computation. The proposed approach has only one neuron can construct self-adaptive activation operators capable to accomplish the learning process in a limited number of iterations and, thereby, reduce the overall computational cost. The proposed approach is capable to construct its own set of activation operators to be applied widely in both quantum and classical applications to overcome the linearity limitation of classical perceptron. The computational power of the proposed approach is illustrated via solving variety of problems where promising and comparable results are given.

연구 동기 및 목표

• 클래식 퍼셉트론의 선형성 제한을 극복하기 위해 양자 계산을 활용한 비선형 분류를 가능하게 하기 위해.
• 주우와 시오모우의 모델들과 같은 기존의 양자 퍼셉트론 모델들에 비해 계산 비용과 학습 시간을 줄이기 위해.
• 수동적인 선택 없이 자기 적응 메커니즘을 통해 활성화 연산자를 자동 생성함으로써 학습의 자율성을 향상시키기 위해.
• 최소한의 학습 데이터로도 고정밀도를 유지하면서도 고전적 및 양자적 응용 분야에서 잘 일반화할 수 있도록 하기 위해.
• XOR 함수나 두 개의 겹치는 분류 작업과 같은 복잡한 문제들에 대한 모델의 능력을 입증하기 위해.

제안 방법

• AQPNN는 n 큐비트 입력과 관련된 가중치 연산자를 갖는 단일 양자 뉴런을 사용하여 중첩을 통해 가중치 합 큐비트 상태를 계산한다.
• 학습률 γ를 사용한 오차 피드백 기반의 가중치 연산자 갱신을 통해 동적 적응을 가능하게 하는 새로운 학습 규칙을 적용한다.
• 초기 가중치와 학습 데이터에 따라 의존하는 자기 적응 메커니즘을 통해 수동적인 선택 없이 활성화 연산자를 자동으로 유도한다.
• 유니터리 변환과 확률 진폭 조작을 사용하여 양자 상태를 표현하고 처리함으로써 비선형 결정 경계를 가능하게 한다.
• 처리 이전에 고전적 실수 입력을 양자 상태로 변환하기 위해 큐비트 정규화를 적용한다.
• 학습 과정은 지도 학습 방식이며 수렴할 때까지 반복적으로 개선되며, 결과는 고전적 문제와 양자 문제 양쪽에서 평가된다.

실험 결과

연구 질문

• RQ1 단일 뉴런 양자 퍼셉트론이 수동 조정 없이 효과적인 활성화 연산자를 자동으로 생성할 수 있는가?
• RQ2 AQPNN은 최소한의 학습 데이터와 반복 횟수로 XOR과 두 개의 겹치는 분류 문제와 같은 비선형 분리 문제가 가능한가?
• RQ3 주우와 시오모우의 모델들과 같은 기존의 양자 퍼셉트론 모델들에 비해 AQPNN의 계산 효율성과 정확도는 어떻게 비교되는가?
• RQ4 초기 가중치 연산자가 AQPNN의 수렴과 성능에 어떤 영향을 미치는가?
• RQ5 소수의 학습 샘플만을 사용하면서도 AQPNN은 얼마나 잘 일반화할 수 있는가?

주요 결과

• AQPNN는 단지 15개의 학습 패턴과 한 번의 학습 반복으로 두 개의 겹치는 클래스 문제에서 97.73%의 분류 정확도를 달성했다.
• 모델은 XOR 함수를 한 번의 반복만으로 해결하여 클래식 퍼셉트론의 선형성 제약을 극복할 수 있음을 입증했다.
• 양자 게이트 문제(예: Not-게이트 및 하다르드-게이트)에 대해 단 한 개의 학습 입력만으로도 충분하여 데이터와 계산 요구량을 크게 줄였다.
• 동일한 작업에 대해 주우의 양자 퍼셉트론보다 계산 효율성이 뛰어나 한 번의 반복만으로도 완료한 반면, 주우의 모델은 16번의 반복이 필요했다.
• 활성화 연산자의 자동 생성은 수동적인 매개변수 선택에 대한 의존도를 감소시켜 학습의 자율성과 강건성을 향상시켰다.
• AQPNN는 최소한의 학습 데이터에도 불구하고 176개의 패턴으로 구성된 큰 테스트 세트에서도 높은 성능을 유지하며 강력한 일반화 능력을 보였다.