[논문 리뷰] Efficient Online Quantum Generative Adversarial Learning Algorithms with Applications

Yuxuan Du, Min-Hsiu Hsieh외 1명|arXiv (Cornell University)|2019. 04. 21.

Quantum Computing Algorithms and Architecture참고 문헌 45인용 수 9

한 줄 요약

이 논문은 양자 생성 적대적 학습에서 나신티브 균형에 다항 시간 내에 수렴하는 첫 번째 효율적인 온라인 양자 생성 적대적 학습 방법인 양자 곱셈 행렬 가중치(QMMW) 알고리즘을 제안한다. 온라인 학습을 파라미터화된 양자 회로와 융합함으로써 QMMW는 지수적 양자 속도 향상 잠재력을 제공하며, 적은 양자 자원으로 순수 상태에 대한 얽힘 테스트를 성공적으로 수행하여 분리 가능한 상태에 대해 허점 >0.702, 얽힌 상태에 대해 <0.250를 달성한다.

ABSTRACT

The exploration of quantum algorithms that possess quantum advantages is a central topic in quantum computation and quantum information processing. One potential candidate in this area is quantum generative adversarial learning (QuGAL), which conceptually has exponential advantages over classical adversarial networks. However, the corresponding learning algorithm remains obscured. In this paper, we propose the first quantum generative adversarial learning algorithm-- the quantum multiplicative matrix weight algorithm (QMMW)-- which enables the efficient processing of fundamental tasks. The computational complexity of QMMW is polynomially proportional to the number of training rounds and logarithmically proportional to the input size. The core concept of the proposed algorithm combines QuGAL with online learning. We exploit the implementation of QuGAL with parameterized quantum circuits, and numerical experiments for the task of entanglement test for pure state are provided to support our claims.

연구 동기 및 목표

• 근접한 양자 장치를 위한 효율적이고 수렴 가능한 양자 생성 적대적 학습 알고리즘이 부족한 문제를 해결하기 위해.
• 파라미터화된 양자 회로에서 비볼록 최적화로 인한 기존 QuGANs의 훈련 불안정성과 낮은 수렴성 문제를 극복하기 위해.
• 얽힘 테스트 및 상태 식별과 같은 양자 정보 처리 과제에서 양자 우월성을 입증하기 위해.
• QuGAL을 기본 양자 정보 문제에 적용하기 위한 이론적 및 실용적 프레임워크를 수립하기 위해.

제안 방법

• 제로합 게임을 위한 고전적 곱셈 가중치 방법에 영감을 얻은 양자 곱셈 행렬 가중치(QMMW) 알고리즘을 제안한다.
• 생성자와 판별자 모두에 파라미터화된 양자 회로(PQC)를 사용하며, 온라인 학습 원칙에 따라 훈련을 이끌어낸다.
• 판별자를 가장 효과적으로 속이는데 기여하는 방향을 강조하기 위해 기울기의 곱셈 가중치 재조정을 사용하여 수렴성을 향상시킨다.
• 이론적 분석을 통해 QMMW의 수렴 속도가 O(√(N/T))임을 증명하며, 여기서 N은 큐비트 수이고 T는 훈련 라운드 수이다.
• QMMW가 요구하는 양자 상태 준비를 효율적인 지브스 샘플링 기법을 활용하여 구현함으로써 계산 복잡도를 O(N³T⁴)로 감소시켰다.
• 수치 시뮬레이션에서 기울기 계산 없이도 훈련이 가능하도록, 파라미터 갱신에 제로차수 미분 방법을 사용한다.

실험 결과

연구 질문

• RQ1 온라인 학습 기법이 양자 생성 적대적 학습에 효과적으로 통합되어 나신티브 균형에 수렴하도록 보장할 수 있는가?
• RQ2 제안된 QMMW 알고리즘이 기존 QuGAN 훈련 방법보다 증명 가능하게 빠른 수렴 속도를 달성하는가?
• RQ3 QMMW로 훈련된 QuGANs가 최소한의 양자 자원으로 얽힌 상태와 분리 가능한 순수 양자 상태를 성공적으로 구별할 수 있는가?
• RQ4 큐비트 수와 훈련 라운드 수 측면에서 제안된 QMMW 알고리즘의 계산 복잡도는 무엇인가?
• RQ5 곱셈 가중치 훈련 방법은 QuGAN 최적화에서 안정성을 향상시키고 국소 최소값을 피하는 데 어떻게 기여하는가?

주요 결과

• QMMW 알고리즘이 O(√(N/T))의 수렴 속도를 달성하여 나신티브 균형에 도달하는 데 이론적으로 효율적임을 입증한다.
• 수치 시뮬레이션 결과, QMMW로 훈련된 QuGANs는 분리 가능한 상태 |Ψ⟩에 대해 허점 >0.702를 달성하여 효과적인 상태 생성을 확인한다.
• 얽힌 GHZ 상태 |GHZ⟩의 경우, 허점은 0.250 이하로 유지되어 판별자의 얽힌 상태 식별 능력이 확인된다.
• 분리 가능한 상태의 경우, 약 100단계 이후 훈련 손실이 약 0.444–0.559 주변을 진동하며 최적 값으로 수렴함을 보였다.
• 얽힘 테스트 작업은 QuGANs를 사용해 143개의 양자 게이트만으로도 가능하며, 자가 테스트 방법에 비해 필요한 240개 게이트보다 크게 줄어든다.
• QMMW의 계산 복잡도는 O(N³T⁴)로 나타나 큐비트 수와 훈련 라운드 수에 대해 다항식 스케일링을 보여준다.