[논문 리뷰] Exponential separations between classical and quantum learners

Casper Gyurik, Vedran Dunjko|arXiv (Cornell University)|2023. 06. 28.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

이 논문은 데이터를 생성하는 기저 함수를 식별하는 것에 초점을 맞추어, 단순히 그 함수를 평가하는 것과는 다릅니다. 데이터 생성 함수 식별에 초점을 맞춘 새로운 지수적 양자-고전적 학습 분리성을 수립합니다. 복잡도 이론적 가정을 도입하고, 양자로 생성된 데이터(예: 하미르토니안 및 단계 분류)와 같은 설정에서 증명 가능한 분리성을 구축함으로써, 고전적 학습자가 실패하는 복잡한 물리 모델을 효율적으로 식별할 수 있는 양자 학습자가 존재함을 보여줍니다.

ABSTRACT

Despite significant effort, the quantum machine learning community has only demonstrated quantum learning advantages for artificial cryptography-inspired datasets when dealing with classical data. In this paper we address the challenge of finding learning problems where quantum learning algorithms can achieve a provable exponential speedup over classical learning algorithms. We reflect on computational learning theory concepts related to this question and discuss how subtle differences in definitions can result in significantly different requirements and tasks for the learner to meet and solve. We examine existing learning problems with provable quantum speedups and find that they largely rely on the classical hardness of evaluating the function that generates the data, rather than identifying it. To address this, we present two new learning separations where the classical difficulty primarily lies in identifying the function generating the data. Furthermore, we explore computational hardness assumptions that can be leveraged to prove quantum speedups in scenarios where data is quantum-generated, which implies likely quantum advantages in a plethora of more natural settings (e.g., in condensed matter and high energy physics). We also discuss the limitations of the classical shadow paradigm in the context of learning separations, and how physically-motivated settings such as characterizing phases of matter and Hamiltonian learning fit in the computational learning framework.

연구 동기 및 목표

• 학습 분리성에서 데이터 생성 함수 식별과 평가의 차이를 명확히 하기 위해.
• 기존 문헌에서 고전적 난이도가 함수 평가에 기인하는 반면, 함수 식별에 기인하지 않는 격차를 메우기 위해.
• 고전적 난이도가 데이터 생성 함수 식별에 있음을 강조하는 새로운 학습 분리성을 구축하기 위해.
• 양자 과정에서 유도된 BQP-난이도 함수가 학습에서 증명 가능한 양자 우월성을 어떻게 이끌 수 있는지 탐색하기 위해.
• 고전적 샤드 프레임워크와 해석 가능성의 한계를 분석하고 물리적 학습 설정에서의 원인을 설명하기 위해.

제안 방법

• 샘플링 가정 하에 고전적으로 학습 가능한 함수를 기술하는 복잡도 클래스 HeurBPP/samp을 도입합니다.
• 기존의 학습 분리성(예: LAT21, SG04)을 분석하고, 고전적 난이도가 종종 함수 평가에 기인하는 반면 식별에 기인하지 않는다는 점을 규명합니다.
• 고전적 난이도가 함수 평가가 아니라 식별에 기인하는 두 가지 새로운 학습 분리성(정리 3 및 4)을 제안합니다.
• 양자로 생성된 데이터 설정에서 BQP-완전 함수로부터 학습 분리성을 유도하는 프레임워크(정리 5)를 수립합니다.
• 이 프레임워크를 보즈-후브라드 및 페르미-후브라드 모델과 같은 물리적 시스템에 적용하여, 양자 학습자가 질서 매개변수나 하미르토니안을 식별할 수 있음을 보여줍니다.
• 정리 5의 조건을 만족시키는 자연스러운 가정을 규명하기 위해 보조정리(3 및 4)를 사용하여 구체적 구성 가능성을 확보합니다.

실험 결과

연구 질문

• RQ1 계산학습 이론에서 함수 식별과 함수 평가에 기반한 학습 분리성의 차이는 무엇인가요?
• RQ2 고전적 난이도가 데이터 생성 함수 식별에 기인할 경우, 증명 가능한 지수적 양자 우월성을 달성할 수 있는가요?
• RQ3 어떤 복잡도 이론적 가정 하에 양자 과정에서 유도된 BQP-완전 함수가 학습 분리성을 이끌 수 있나요?
• RQ4 왜 고전적 샤드 프레임워크는 단계 분류와 같은 물리적 동기를 가진 설정에서 학습 분리성을 지원하지 못합니까?
• RQ5 양자 학습자가 고전적 학습자가 할 수 없듯이, 질서 매개변수나 하미르토니안과 같은 물리적으로 의미 있는 개념을 효율적으로 식별할 수 있나요?

주요 결과

• 논문은 고전적 난이도가 데이터 생성 함수 식별에 기인하는 두 가지 새로운 학습 분리성(정리 3 및 4)을 수립합니다.
• HeurBPP/samp 복잡도 클래스를 정의하고 HeurBPP/samp ⊆ HeurP/poly 를 보여줌으로써 고전적 학습 가능성 분석의 기초를 마련합니다.
• 정리 5는 BQP-완전 함수로부터 학습 분리성을 유도하는 일반적 방법을 제공하여, 양자로 생성된 데이터 설정에서의 양자 우월성을 가능하게 합니다.
• 이 프레임워크는 보즈-후브라드 및 페르미-후브라드 모델과 같은 물리적 시스템에 적용되어 하미르토니안 및 단계 학습에서의 양자 우월성 잠재력을 보여줍니다.
• 연구는 많은 자연스러운 설정에서 고전적 학습자가 하미르토니안 매개변수를 효율적으로 식별할 수 있음을 보여주며, 이러한 경우 C_H^HL / Q_H^HL 분리성이 존재할 수 없음을 제거합니다.
• 양자 학습자가 양자로 생성된 데이터에서 뛰어나다는 통념에도 불구하고, 데이터 생성 과정을 식별하기 위해 양자 알고리즘이 반드시 필요하다는 예시는 발견되지 않아, 핵심 열린 문제를 드러냅니다.