[논문 리뷰] Experimental demonstration of a quantum generative adversarial network for continuous distributions

Abhinav Anand, Jonathan Romero외 2명|arXiv (Cornell University)|2020. 06. 02.

Quantum Computing Algorithms and Architecture인용 수 9

한 줄 요약

이 논문은 노이즈가 있는 중간 규모 양자(NISQ) 장치에서 연속 확률 분포를 학습하기 위한 하이브리드 양자 생성 적대 신경망(HQGAN)을 제시한다. Rigetti의 Aspen-4-2Q-A 프로세서를 사용하여 다양한 노이즈 유형 하에서 안정적인 훈련 성능을 입증하고, 계산 스케일링을 줄이는 데 기여하는 파라미터 설정을 규명함으로써, 양자 생성 모델의 실용적 구현을 가능하게 한다.

ABSTRACT

The potential advantage of machine learning in quantum computers is a topic of intense discussion in the literature. Theoretical, numerical and experimental explorations will most likely be required to understand its power. There has been different algorithms proposed to exploit the probabilistic nature of variational quantum circuits for generative modelling. In this paper, we employ a hybrid architecture for quantum generative adversarial networks (QGANs) and study their robustness in the presence of noise. We devise a simple way of adding different types of noise to the quantum generator circuit, and numerically simulate the noisy hybrid QGANs to learn continuous probability distributions, and show that the performance of HQGANs remain unaffected. We also investigate the effect of different parameters on the training time to reduce the computational scaling of the algorithm and simplify its deployment on a quantum computer. We then perform the training on Rigetti's Aspen-4-2Q-A quantum processing unit, and present the results from the training. Our results pave the way for experimental exploration of different quantum machine learning algorithms on noisy intermediate scale quantum devices.

연구 동기 및 목표

• 노이즈가 있는 양자 하드웨어에서 연속 확률 분포를 위한 양자 생성 적대 신경망(QGAN) 훈련의 가능성 탐구.
• NISQ 장치에서 실제 노이즈 조건 하에서 하이브리드 QGAN(HQGAN)의 강건성 평가.
• 최적의 훈련 파라미터를 식별하여 계산 스케일링을 줄이고 배포를 단순화.
• Rigetti의 Aspen-4-2Q-A를 사용한 실제 양자 처리 장치에서 HQGAN의 실험적 타당성 입증.

제안 방법

• 양자 생성자와 고전적 판별자가 참여하는 하이브리드 양자-고전 아키텍처를 사용하며, 양자 생성자가 샘플을 생성하고 고전적 판별자가 이를 평가한다.
• 제어된 시뮬레이션 프레임워크를 통해 양자 생성자 회로에 노이즈를 체계적으로 도입하여 실제 디코herence와 게이트 오류를 모의한다.
• 다양한 노이즈 유형과 파라미터 설정 하에서 HQGAN 성능을 평가하기 위해 수치 시뮬레이션을 수행한다.
• 계산 스케일링을 최소화하고 수렴 속도를 향상시키기 위해 하이퍼파라미터를 튜닝하여 훈련을 최적화한다.
• Rigetti의 Aspen-4-2Q-A 2 큐비트 양자 처리 장치에서 HQGAN을 구현하고 훈련하여 실험적 타당성을 검증한다.
• 표준 생성 모델링 메트릭을 사용하여 생성된 분포와 목표 연속 분포를 비교함으로써 성능을 평가한다.

실험 결과

연구 질문

• RQ1 노이즈는 연속 분포를 위한 하이브리드 양자 생성 적대 신경망의 훈련과 성능에 어떻게 영향을 미치는가?
• RQ2 계산 스케일링과 수렴 시간에 가장 크게 영향을 미치는 하이퍼파라미터는 무엇인가?
• RQ3 노이즈가 있는 근접한 양자 하드웨어에서 HQGAN은 강건성과 정확성을 유지할 수 있는가?
• RQ4 파라미터 최적화로 NISQ 장치에 HQGAN을 구현하기 위한 자원 요구량을 어느 정도 줄일 수 있는가?
• RQ5 실제 양자 프로세서에서 연속 분포 학습을 위한 HQGAN 훈련은 실험적으로 가능한가?

주요 결과

• HQGAN은 다양한 노이즈 유형 하에서도 안정적인 훈련 성능을 유지하며, 양자 생성자 내 디코herence와 게이트 오류에 강건함을 입증한다.
• 최적의 파라미터 선택은 계산 스케일링을 크게 줄여 NISQ 장치에서 더 효율적인 훈련을 가능하게 한다.
• Rigetti의 Aspen-4-2Q-A 양자 프로세서에서의 실험적 훈련을 통해 연속 분포에서 샘플을 성공적으로 생성하였다.
• 수치 시뮬레이션 결과, 적절히 校정된 경우 노이즈가 모델이 목표 분포를 학습하는 능력을 떨어뜨리지 않음을 확인하였다.
• 결과적으로 현재의 노이즈가 있는 중간 규모 양자 하드웨어에서 HQGAN을 생성 모델링 작업에 구현하는 것이 타당함을 검증하였다.