[논문 리뷰] Convolution filter embedded quantum gate autoencoder

Kodai Shiba, Katsuyoshi Sakamoto외 3명|arXiv (Cornell University)|2019. 06. 04.

Quantum Computing Algorithms and Architecture참고 문헌 3인용 수 7

한 줄 요약

이 논문은 근접된 양자 컴퓨터에서 효율적인 특징 추출과 이미지 노이즈 제거를 가능하게 하기 위해 양자 게이트 연산에 컨볼루션 필터를 통합한 양자 오토에인코드어를 제안한다. 소수의 큐비트에서 국소적 처리를 통해 이미지 데이터를 몇백 큐비트까지 98%의 오토에인코드링 정확도를 달성하였으며, MNIST 데이터에 대해 차원 감소에서 고전적 PCA보다 뛰어난 성능을 보였다. 다만, IBM Q Melbourne의 하드웨어 한계로 인해 높은 오류율을 보였다.

ABSTRACT

The autoencoder is one of machine learning algorithms used for feature extraction by dimension reduction of input data, denoising of images, and prior learning of neural networks. At the same time, autoencoders using quantum computers are also being developed. However, current quantum computers have a limited number of qubits, which makes it difficult to calculate big data. In this paper, as a solution to this problem, we propose a computation method that applies a convolution filter, which is one of the methods used in machine learning, to quantum computation. As a result of applying this method to a quantum autoencoder, we succeeded in denoising image data of several hundred qubits or more using only a few qubits under the autoencoding accuracy of 98%, and the effectiveness of this method was obtained. Meanwhile, we have verified the feature extraction function of the proposed autoencoder by dimensionality reduction. By projecting the MNIST data to two-dimension, we found the proposed method showed superior classification accuracy to the vanilla principle component analysis (PCA). We also verified the proposed method using IBM Q Melbourne and the actual machine failed to provide accurate results implying high error rate prevailing in the current NISQ quantum computer.

연구 동기 및 목표

• 현재 큐비트 수가 제한된 양자 컴퓨터에서 대규모 데이터를 처리하는 데 도전하는 데 목적을 두며.
• 고전적 머신러닝의 컨볼루션 필터링 기법을 양자 오토에인코드어에 통합하여 성능을 향상시키는 데 목적을 두며.
• 단지 몇 개의 큐비트만으로도 효과적인 차원 감소와 노이즈 제거를 가능하게 하는 데 목적을 두며.
• 특히 IBM Q Melbourne에서 실질적인 NISQ 하드웨어에서의 성능을 평가하는 데 목적을 두며.

제안 방법

• 이 방법은 컨볼루션 필터를 직접 양자 회로 구조에 통합하여 국소적이고 파rameterized된 양자 연산을 통해 입력 데이터를 변환한다.
• 입력 이미지의 특징을 추출하기 위해 컨볼루션 양자 게이트를 적용하는 양자 오토에인코드어 아키텍처를 설계한다.
• 압축된 잠재 표현에서 입력을 재구성하는 디코더를 설계하며, 훈련은 재구성 정확도 최적화를 위해 수행된다.
• 컨볼루션 게이트 설계는 전체 이미지를 한 번에 처리하는 대신 국소적인 이미지 패치를 처리하여 필요한 큐비트 수를 줄인다.
• 파arameterized된 양자 게이트를 사용한 변동형 양자 회로 접근 방식으로 모델을 훈련시킨다.
• MNIST 데이터를 두 차원으로 투영하고, 고전적 PCA와의 분류 정확도를 비교하여 방법의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 컨볼루션 필터링이 양자 게이트 연산에 효과적으로 통합되어 양자 오토에인코드어의 큐비트 요구량을 줄일 수 있는가?
• RQ2 단지 몇 개의 큐비트만으로도 컨볼루션 게이트를 갖춘 양자 오토에인코드어가 대규모 이미지 데이터를 효과적으로 노이즈 제거할 수 있는가?
• RQ3 차원 감소 후 분류 정확도 측면에서 제안된 방법은 고전적 PCA와 어떻게 비교되는가?
• RQ4 왜 이 방법은 현재의 NISQ 하드웨어인 IBM Q Melbourne에서 정확한 결과를 도출하지 못하는가?

주요 결과

• 제안된 양자 오토에인코드어는 몇 개의 큐비트만으로 몇백 큐비트 크기의 이미지 데이터를 노이즈 제거할 때 98%의 재구성 정확도를 달성하였다.
• MNIST 데이터를 두 차원으로 감소시켰을 때, 고전적 PCA보다 뛰어난 분류 정확도를 보였다.
• 컨볼루션 필터의 통합은 최소한의 큐비트 오버헤드로 효과적인 특징 추출과 차원 감소를 가능하게 하였다.
• IBM Q Melbourne에서 정확한 결과를 도출하지 못하여 현재 NISQ 장치에서 높은 오류율이 존재함을 시사하였다.
• 결과적으로 제안된 접근법은 이론적으로 타당하지만 현재는 하드웨어 노이즈와 오류율로 인해 제한됨을 시사한다.