[논문 리뷰] Classical Verification of Quantum Learning

C. Matthias, Marcel Hinsche외 3명|arXiv (Cornell University)|2023. 06. 08.

Quantum Computing Algorithms and Architecture인용 수 2

한 줄 요약

이 논문은 신뢰할 수 없는 양자 서버를 사용하여 양자 데이터를 포함하는 학습 작업을 위탁하고 검증할 수 있는 고전적 검증 프레임워크를 제안한다. 고전적 검증자가 랜덤 예제 또는 통계적 질의를 통해 양자 혼합-중첩 데이터를 사용하는 프로버가 학습한 결과를 효율적이고 신뢰성 있게 검증할 수 있음을 보여주며, 고전적 접근으로도 최소한의 액세스로 양자 우월성을 확립한다.

ABSTRACT

Quantum data access and quantum processing can make certain classically intractable learning tasks feasible. However, quantum capabilities will only be available to a select few in the near future. Thus, reliable schemes that allow classical clients to delegate learning to untrusted quantum servers are required to facilitate widespread access to quantum learning advantages. Building on a recently introduced framework of interactive proof systems for classical machine learning, we develop a framework for classical verification of quantum learning. We exhibit learning problems that a classical learner cannot efficiently solve on their own, but that they can efficiently and reliably solve when interacting with an untrusted quantum prover. Concretely, we consider the problems of agnostic learning parities and Fourier-sparse functions with respect to distributions with uniform input marginal. We propose a new quantum data access model that we call "mixture-of-superpositions" quantum examples, based on which we give efficient quantum learning algorithms for these tasks. Moreover, we prove that agnostic quantum parity and Fourier-sparse learning can be efficiently verified by a classical verifier with only random example or statistical query access. Finally, we showcase two general scenarios in learning and verification in which quantum mixture-of-superpositions examples do not lead to sample complexity improvements over classical data. Our results demonstrate that the potential power of quantum data for learning tasks, while not unlimited, can be utilized by classical agents through interaction with untrusted quantum entities.

연구 동기 및 목표

• 신뢰할 수 없는 양자 서버를 사용한 고전적 검증 프레임워크를 개발한다.
• 고전적 학습자에게는 비가역적이지만 양자 보조와 고전적 검증을 통해 해결 가능한 학습 문제를 규명한다.
• 효율적인 양자 학습과 검증을 가능하게 하는 새로운 양자 데이터 액세스 모델인 '혼합-중첩' 예제를 도입한다.
• 고전적 검증자가 랜덤 예제나 통계적 질의와 같은 고전적 데이터 액세스만으로도 양자 학습을 검증할 수 있음을 증명한다.
• 분포 독립적 아그노스틱 학습 및 검증에서 혼합-중첩 예제의 이론적 한계를 설정한다.

제안 방법

• 구조화된 단계 관계를 가진 고전적 입력-출력 쌍을 양자 중첩 상태에 인코딩하는 '혼합-중첩' 예제라고 불리는 새로운 양자 데이터 액세스 모델을 제안한다.
• 혼합-중첩 모델을 사용하여 균일한 입력 마진을 가진 파리티와 푸리에-스퍼스 함수의 아그노스틱 학습을 위한 효율적인 양자 학습 알고리즘을 개발한다.
• 고전적 검증자가 랜덤 예제나 통계적 질의를 통해 뿐만 아니라 양자 프로버와 상호작용하여 학습된 가설의 정확성을 검증하는 상호작용 검증 프로토콜을 도입한다.
• 상호정보량을 유계로 만들고 표본 복잡도 하한을 유도하기 위해 양자 상태 톰로그라피와 밀도 행렬의 스펙트럼 분석을 활용한다.
• 바르노이엔 엔트로피와 고유값 분해를 포함한 정보이론적 기법을 사용하여 양자 예제의 정보 내용을 분석한다.
• 분포 및 기능적 학습 문제를 통계적 질의 모델로 환원하여 전체 양자 액세스 없이도 고전적 검증을 가능하게 한다.

실험 결과

연구 질문

• RQ1 신뢰할 수 없는 양자 서버가 수행한 양자 학습 작업을 고전적 검증자가 효율적이고 신뢰성 있게 검증할 수 있는가?
• RQ2 분포 독립적 아그노스틱 학습에서 혼합-중첩 예제가 표본 복잡도에서 양자 우월성을 제공하는가?
• RQ3 랜덤 예제나 통계적 질의와 같은 고전적 데이터 액세스만으로도 고전적 검증자가 양자 학습을 검증할 수 있는가?
• RQ4 상호정보량과 표본 복잡도 측면에서 혼합-중첩 예제의 정보이론적 한계는 무엇인가?
• RQ5 최소한의 액세스 가정 하에, 검증에서 양자 데이터의 능력은 고전적 데이터보다 얼마나 우월한가?

주요 결과

• 고전적 검증자는 랜덤 예제나 통계적 질의 액세스만으로도, 프로버가 양자 혼합-중첩 예제를 사용하더라도 파리티와 푸리에-스퍼스 함수의 아그노스틱 학습을 효율적이고 신뢰성 있게 검증할 수 있다.
• 표본 복잡도 하한이 고전적 한계와 일치하는 프레임워크를 구현하여, 혼합-중첩 예제가 분포 독립적 아그노스틱 학습에서 표본 복잡도를 감소시키지 않는다는 것을 보여준다.
• 가설과 데이터 사이의 상호정보량은 𝑂(𝑚𝜖² log 𝑑)로 유계이며, 이를 통해 필요한 복제 수 𝑚 = Ω(𝑑 / 𝜖²)의 하한을 도출한다. 이는 알려진 고전적 한계와 일치한다.
• 분포 독립적 아그노스틱 학습의 표본 복잡도 하한이 𝑚 = ˜Ω(𝑑 / 𝜖²)임을 증명하여, 이 영역에서 양자 데이터가 점근적 개선을 제공하지 않는다는 것을 보여준다.
• 기능적 및 분포적 아그노스틱 양자 학습을 위한 검증 프로토콜을 구성하고, 고전적 액세스만으로도 그 타당성을 증명하여, 양자 데이터가 고전적 검증 보안을 위협하지 않음을 보여준다.
• 결과적으로, 양자 데이터가 고전적으로 비가역적인 학습을 가능하게 하더라도, 그러한 학습의 검증은 고전적 수단으로도 가능함을 보여주며, 불신뢰할 수 있는 양자 서버에 대한 신뢰를 유지한다.