[논문 리뷰] Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms

Parth Rajauria, Prateek Chawla외 1명|arXiv (Cornell University)|2020. 07. 09.

Quantum Computing Algorithms and Architecture참고 문헌 65인용 수 4

한 줄 요약

이 논문은 기계학습 모델—특히 다층 퍼셉트론과 선형 회귀, K-가까운 이웃과 같은 전통적 알고리즘—을 사용하여 일차원 이산시간 양자 산책(DTQW)과 스플릿스텝 양자 산책(SSQW)의 위치 확률 분포에서 코인 파라미터를 추정하는 방법을 제안한다. 모델들은 높은 정확도를 달성하였으며, 딥 네트워크는 기준 모델 대비 예측 오차를 96.488% 감소시켰다. 이는 기계학습이 관측 가능한 분포에서 양자 산책 파라미터를 효과적으로 추론할 수 있음을 보여준다.

ABSTRACT

Estimation of the coin parameter(s) is an important part of the problem of implementing more robust schemes for quantum simulation using quantum walks. We present the estimation of the quantum coin parameter used for one-dimensional discrete-time quantum walk evolution using machine learning algorithms on their probability distributions. We show that the models we have implemented are able to estimate these evolution parameters to a good accuracy level. We also implement a deep learning model that is able to predict multiple parameters simultaneously. Since discrete-time quantum walks can be used as quantum simulators, these models become important when extrapolating the quantum walk parameters from the probability distributions of the quantum system that is being simulated.

연구 동기 및 목표

• 관측 가능한 확률 분포에서 양자 산책 파라미터를 추정하기 위한 기계학습 기반 방법을 개발하는 것.
• 직접 측정이 곤란할 경우 DTQW와 SSQW에서 코인 파라미터를 추론하는 데 도전하는 것.
• 다양한 기계학습 모델이 동시에 단일 및 다중 파라미터를 추정할 때의 성능을 평가하는 것.
• 기계학습이 양자 산책 파라미터 추정에서 기준 예측 전략을 능가할 수 있음을 보여주는 것.

제안 방법

• 다양한 코인 파라미터(θ)와 스텝 수(N)에 대해 DTQW와 SSQW의 확률 분포를 갖는 합성 데이터셋을 생성함.
• 입력으로 확률 벡터, 출력으로 θ 또는 N를 사용하여 33,682개의 훈련 샘플(전체 44,910개 분포의 75%)에 대해 Nadam 옵timizer를 사용해 다층 퍼셉트론(MLP)을 훈련함.
• 고정된 N과 θ₂를 가진 SSQW에서 단일 파라미터 추정을 위해 선형 회귀와 K-가까운 이웃(k=5)을 사용함.
• 성능 비교를 위해 항상 훈련된 θ와 N 값의 평균을 예측하는 기준 모델을 구현함.
• 테스트 데이터에서 평균 제곱오차(MSE)를 사용해 추정 정확도를 평가함.
• 비정적 기울기를 갖는 딥 러닝 작업에서 우수한 수렴성과 성능을 보이는 점을 고려해 Nadam 옵timizer를 선택함.

실험 결과

연구 질문

• RQ1 기계학습 모델은 일차원 이산시간 양자 산책의 위치 확률 분포에서 코인 파라미터 θ를 정확하게 추정할 수 있는가?
• RQ2 딥 네트워크는 DTQW에서 θ와 N과 같은 다중 파라미터를 동시에 추정할 때 기준 모델보다 더 높은 정확도를 달성할 수 있는가?
• RQ3 다양한 기계학습 모델(예: 선형 회귀, KNN, MLP)은 고정된 N과 θ₂를 가진 스플릿스텝 양자 산책의 파라미터 추정에서 어떻게 비교되는가?
• RQ4 데이터셋 크기와 모델 아키텍처에 따라 양자 산책 파라미터 추정에서 모델 성능이 얼마나 의존하는가?

주요 결과

• 다층 퍼셉트론 모델은 항상 θ와 N의 평균 값을 예측하는 기준 모델 대비 평균 제곱오차(MSE)를 96.488% 감소시켰다.
• 신경망은 테스트 세트에서 MSE 916.0458을 기록하여 확률 분포에서의 강력한 일반화 능력과 패턴 인식 능력을 입증하였다.
• SSQW 파라미터 추정에서 선형 회귀는 MSE 1.265×10⁻⁸를 기록하여 K-가까운 이웃(MSE: 3.112×10⁻⁷)을 능가하였다.
• 모델들은 양자 산책의 확률 분포와 그 뒤에 있는 파라미터 사이의 복잡한 비선형 관계를 효과적으로 학습하였다.
• 결과적으로 기계학습이 양자 산책 동역학에서 숨겨진 파라미터를 효과적으로 추출할 수 있음을 확인하였으며, 이는 강건한 양자 시뮬레이션을 가능하게 한다.
• 연구는 모델 선택과 훈련 데이터 품질이 추정 정확도에 크게 영향을 미치며, 특정 알고리즘이 항상 최적은 아님을 보여주었다.