[논문 리뷰] Cancer Detection Using Quantum Neural Networks: A Demonstration on a Quantum Computer

Nilima Mishra, Aradh Bisarya외 4명|arXiv (Cornell University)|2019. 11. 01.

Quantum Computing Algorithms and Architecture인용 수 11

한 줄 요약

이 논문은 IBM Quantum Experience 플랫폼에서의 지도 학습을 사용하여 유방암 검출을 위한 10 큐비트 양자 신경망(QNN)을 제안한다. 환자의 생체정보를 큐비트 상태로 인코딩하고 경사 하강법을 통해 파라미터를 최적화함으로써, 600개 샘플 데이터셋에서 평균 손실 2.1%를 달성하여 의료 진단을 위한 실현 가능한 양자 기계학습의 가능성을 입증한다.

ABSTRACT

Artificial intelligence and machine learning paves the way to achieve greater technical feats. In this endeavor to hone these techniques, quantum machine learning is budding to serve as an important tool. Using the techniques of deep learning and supervised learning in the quantum framework, we are able to propose a quantum neural network and showcase its implementation. We consider the application of cancer detection to demonstrate the working of our quantum neural network. Our focus is to train the network of ten qubits in a way so that it can learn the label of the given data set and optimize the circuit parameters to obtain the minimum error. Thus, through the use of many algorithms, we are able to give an idea of how a quantum neural network can function.

연구 동기 및 목표

• 근접한 양자 하드웨어를 사용하여 의료 진단을 위한 실용적인 양자 신경망(QNN)을 개발한다.
• 양자 프레임워크 내에서 지도 학습 기법을 적용하여 악성 종양와 양성 종양를 분류한다.
• 부분적 얽힘을 사용하여 QNN의 파라미터 복잡도를 줄여 기존 O(N²)에서 O(N)으로 스케일링한다.
• 양자 시뮬레이터를 사용하여 실제 생물의학 데이터(워싱턴 주 유방암 데이터셋)를 기반으로 QNN의 성능을 검증한다.
• 현재의 노이지 중간 규모 양자(NISQ) 장치를 사용하여 조기 유방암 검출을 위한 양자 기계학습의 실현 가능성을 입증한다.

제안 방법

• 10개의 생체정보 특징(예: 반지름, 질감 등)을 10 큐비트의 초기 Y-회전에 인코딩하여 최소값은 |0⟩으로, 최대값은 |1⟩으로 매핑한다.
• 제어-X(CX) 게이트를 사용하여 부분적 얽힘 QNN 아키텍처를 구현함으로써 파라미터 수를 기존 O(N²)에서 O(N)으로 감소시켰다.
• 로그 손실 함수를 사용: loss = -(1−l)log(1−l) − l·log(l), 여기서 l은 기대 레이블(양성은 0, 악성은 1)이다.
• 적응형 학습률을 사용한 경사 하강법으로 회로 파라미터를 최적화: p′ = p − r·∇(loss)/|∇(loss)|.
• 모든 600개 샘플 데이터셋과 100개 샘플의 부분집합으로 네트워크를 훈련하고 반복 과정 동안 손실을 측정하였다.
• 양자 회로 평가를 통해 한 번에 하나의 파라미터씩 기울기를 수치적으로 계산하여 파라미터를 갱신하였다.

실험 결과

연구 질문

• RQ1 10 큐비트 양자 신경망은 양자 시뮬레이터에서 실제 생물의학 데이터를 사용하여 유방암을 효과적으로 분류할 수 있는가?
• RQ2 부분적 얽힘은 QNN의 훈련 가능한 파라미터 수를 줄이면서도 분류 성능을 유지하는 데 어떻게 기여하는가?
• RQ3 NISQ 장치에서 기울기 기반 최적화를 사용하여 워싱턴 주 유방암 데이터셋을 훈련한 QNN의 도달 가능한 손실과 정확도는 얼마인가?
• RQ4 입력 데이터의 이질성은 양자 기계학습 모델의 훈련 동역학과 최종 손실에 어떤 영향을 미치는가?
• RQ5 소규모 의료 분류 작업에서 양자 신경망은 파라미터 효율성과 수렴 속도 측면에서 고전적 모델을 능가할 수 있는가?

주요 결과

• 전체 600개 입력에 대해 QNN는 평균 손실 2.1%를 달성하여 강력한 일반화 능력을 보였다.
• 입력의 6.67%가 손실 1%를 초과하여 분류하기에 특히 어려운 데이터 포인트로 나타났다.
• 100개 샘플의 부분집합으로 훈련했을 경우 평균 손실은 3.9%로 증가했으며, 입력의 6.67%가 5% 초과 오차를 보였다.
• 대부분의 고손실 케이스(10–20%)는 모델 실패보다는 데이터 일관성 문제에서 기인하여 노이즈에 대한 강건성을 시사했다.
• 파라미터 최적화 과정에서 반복 수에 따라 손실이 명확히 감소하는 경향을 보였으며, 학습률을 수동으로 조정한 점에서 명확한 굴절점이 관찰되었다.
• 부분적 얽힘의 사용으로 파라미터 스케일링이 기존 O(N²)에서 O(N)으로 감소하여 현재의 양자 하드웨어에 더 실현 가능하게 만들었다.