[논문 리뷰] End-to-End Quantum Machine Learning with Quantum Control Systems

Re-Bing Wu, Xi Cao외 2명|arXiv (Cornell University)|2020. 03. 30.

Quantum Computing Algorithms and Architecture인용 수 3

한 줄 요약

이 논문은 제한된 큐비트 코herence와 높은 오류율을 가지는 근접한 NISQ 프로세서에 적합한 엔드 투 엔드 양자 기계학습 프레임워크를 제안한다. 실험적으로 조절 가능한 제어 변수를 사용하여 제어되는 양자 동역학을 최적화함으로써 자동 특성 선택과 최소한의 수작업 설계 컴포넌트를 가능하게 한다. MNIST에 대한 수치적 결과는 높은 성능을 보이며, 단지 3~5 큐비트로도 충분함을 보여주며, 중간 규모의 양자 하드웨어에서 대규모 실세계 작업에 대한 강력한 잠재력을 입증한다.

ABSTRACT

Toward quantum machine learning deployed on imperfect near-term intermediate-scale quantum (NISQ) processors, the entire physical implementation of should include as less as possible hand-designed modules with only a few ad-hoc parameters to be determined. This work presents such a hardware-friendly end-to-end quantum machine learning scheme that can be implemented with imperfect near-term intermediate-scale quantum (NISQ) processors. The proposal transforms the machine learning task to the optimization of controlled quantum dynamics, in which the learning model is parameterized by experimentally tunable control variables. Our design also enables automated feature selection by encoding the raw input to quantum states through agent control variables. Comparing with the gate-based parameterized quantum circuits, the proposed end-to-end quantum learning model is easy to implement as there are only few ad-hoc parameters to be determined. Numerical simulations on the benchmarking MNIST dataset demonstrate that the model can achieve high performance using only 3-5 qubits without downsizing the dataset, which shows great potential for accomplishing large-scale real-world learning tasks on NISQ processors.arning models. The scheme is promising for efficiently performing large-scale real-world learning tasks using intermediate-scale quantum processors.

연구 동기 및 목표

• 제한된 큐비트 코herence와 높은 오류율을 가지는 노이지, 중간 규모의 양자(NISQ) 프로세서에서 양자 기계학습을 구현하는 데 도전하는 문제를 해결한다.
• 양자 기계학습 파이프라인에서 수작업 설계된 모듈과 즉흥적인 파rameter에 대한 의존도를 줄여 하드웨어 호환성과 확장성을 향상시킨다.
• 데이터 인코딩, 모델 파aram터화, 최적화를 하나의 제어 기반 양자 동역학 프레임워크 안에서 통합하는 통합된 엔드 투 엔드 학습 체계를 개발한다.
• 가장자리 입력을 조절 가능한 제어 변수를 통해 양자 상태로 인코딩함으로써 학습 과정 중 자동 특성 선택을 가능하게 하여 수동 전처리의 필요성을 줄인다.

제안 방법

• 학습 모델을 실험적으로 조절 가능한 제어 파arameter로 파aram터화하는 제어되는 양자 동역학의 최적화로 양자 기계학습 과제를 수립한다.
• 에이전트 제어 변수를 통해 원시 입력 데이터를 양자 상태로 인코딩하여 학습 과정 중 자동 특성 선택을 가능하게 한다.
• 기존의 게이트 기반 파aram터화된 양자 회로 대신 제어 기반 접근법을 사용함으로써 즉흥적인 파arameter 수를 줄이고 하드웨어 구현을 단순화한다.
• 손실 함수를 최소화하기 위해 기울기 기반 방법으로 제어 필드를 최적화하여 제어 파arameter를 모델 성능과 직접 연결한다.
• 노이즈와 NISQ 장치에서 흔히 발생하는 완벽하지 않은 요소에 강건한 설계를 하여 현재 하드웨어에서의 실용적 구현 가능성을 확보한다.
• 양자 시스템의 내재된 동역학을 활용하여 하나의 통합 최적화 루프 안에서 특성 인코딩과 모델 추론을 동시에 수행한다.

실험 결과

연구 질문

• RQ1 제어 기반 양자 기계학습 프레임워크는 NISQ 하드웨어에서 최소한의 수작업 설계 컴포넌트로 분류 과제에서 높은 성능를 달성할 수 있는가?
• RQ2 조절 가능한 제어 변수를 통한 자동 특성 선택은 수동 데이터 전처리의 필요성을 얼마나 줄이는가?
• RQ3 하드웨어 효율성과 정확도 측면에서 제어 기반 접근법이 게이트 모델 기반 양자 기계학습보다 우월하거나 동등하게 성능을 내는가?
• RQ4 표준 벤치마크인 MNIST에서 경쟁 가능한 성능를 달성하기 위해 제안된 프레임워크가 필요한 최소 큐비트 수는 얼마인가?
• RQ5 근접한 양자 프로세서의 노이즈와 완벽하지 않은 요소에 대해 엔드 투 엔드 제어 기반 학습 체계는 얼마나 강건한가?

주요 결과

• 제안된 엔드 투 엔드 양자 기계학습 프레임워크는 데이터셋을 축소하지 않고도 단지 3~5개의 물리적 큐비트로 MNIST 데이터셋에서 높은 분류 성능를 달성한다.
• 모델은 실제 세계의 학습 과제에서 강력한 일반화 능력을 보이며, 중간 규모의 양자 프로세서에서 더 큰 문제로의 확장 가능성을 시사한다.
• 제어 변수 인코딩을 통한 자동 특성 선택 통합은 외부 전처리의 필요성을 줄이고 학습 파이프라인을 단순화한다.
• 이 체계는 즉흥적인 파arameter가 몇 개뿐이므로 기존의 게이트 모델 접근법에 비해 복잡성과 튜닝 부담을 크게 줄였다.
• 수치 시뮬레이션은 제어 기반 양자 동역학 최적화가 현실적인 NISQ 수준의 노이즈와 완벽하지 않은 요소 조건에서도 효과적이고 강건함을 확인한다.
• 하드웨어 우수 설계 덕분에 현재의 양자 프로세서에 최소한의 아키텍처 수정으로 직접 구현 가능하다.