[논문 리뷰] Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer

Manuel S. Rudolph, Ntwali Bashige Toussaint외 4명|arXiv (Cornell University)|2020. 12. 07.

Computational Physics and Python Applications인용 수 10

한 줄 요약

이 논문은 이온 트랩 양자 컴퓨터를 사용하여 고해상도 손글씨 숫자를 생성하는 최초의 실험적 구현을 제시한다. 다중 기저 양자 회로 보른 기계(Multi-basis Quantum Circuit Born Machine, QCBM)를 사용해 GAN의 사전 분포를 모델링함으로써, 제한된 큐비트 수에도 불구하고 훈련 안정성과 샘플 품질 향상으로 인해 MNIST에서 최고 수준의 Inception Score(IS)를 달성하며 실용적인 양자 우위를 입증한다.

ABSTRACT

Generating high-quality data (e.g. images or video) is one of the most exciting and challenging frontiers in unsupervised machine learning. Utilizing quantum computers in such tasks to potentially enhance conventional machine learning algorithms has emerged as a promising application, but poses big challenges due to the limited number of qubits and the level of gate noise in available devices. In this work, we provide the first practical and experimental implementation of a quantum-classical generative algorithm capable of generating high-resolution images of handwritten digits with state-of-the-art gate-based quantum computers. In our quantum-assisted machine learning framework, we implement a quantum-circuit based generative model to learn and sample the prior distribution of a Generative Adversarial Network. We introduce a multi-basis technique that leverages the unique possibility of measuring quantum states in different bases, hence enhancing the expressivity of the prior distribution. We train this hybrid algorithm on an ion-trap device based on $^{171}$Yb$^{+}$ ion qubits to generate high-quality images and quantitatively outperform comparable classical Generative Adversarial Networks trained on the popular MNIST data set for handwritten digits.

연구 동기 및 목표

• 근접한 NISQ 장치를 사용하여 생성 모델링에서 실용적인 양자 우위를 입증하기 위해.
• 실세계 데이터셋인 MNIST와 같은 데이터에서 고품질 이미지를 생성할 수 있는 하이브리드 양자-고전 프레임워크를 개발하기 위해.
• 큐비트 수와 게이트 노이즈 등의 현재 양자 하드웨어의 한계를 극복하기 위해 양자 강화 사전 모델링을 활용하기 위해.
• 양자 생성 모델이 이론적으로만 아니라 표준 벤치마크에서 실제 성능으로도 고전적 GAN을 능가할 수 있음을 검증하기 위해.

제안 방법

• 양자 회로가 GAN의 사전 분포를 모델링하는 양자 회로 연관 적대망(QC-AAN)을 사용한다.
• 다중 기저 양자 회로 보른 기계(Multi-basis QCBM)를 통해 양자 상태를 여러 기저에서 측정함으로써 사전 분포의 표현력을 향상시킨다.
• QCBM 내의 파arametrized 단일 큐비트 회전과 훈련 가능한 게이트를 통해 계산 기저 외의 기저(예: Y기저)에서도 탄력적인 상태 준비 및 측정이 가능하다.
• 생성망은 QCBM에서 유래한 사전 샘플을 사용해 전통적인 방식으로 훈련되며, 구분망은 실제 이미지와 생성된 이미지로 훈련된다.
• 고정밀 초기화와 내장된 이중 큐비트 게이트를 갖춘 171Yb+ 이온을 사용한 8큐비트 이온 트랩 양자 프로세서에서 모델을 구현하였다.
• grayscale 입력으로 인해 Inception-v3 대신 고유의 MNIST 정확도 99.3%를 갖는 컨볼루션 분류기로 Inception Score를 계산하였다.

실험 결과

연구 질문

• RQ1 현재 NISQ 하드웨어를 사용하여 하이브리드 양자-고전 생성 모델이 실세계 이미지 생성 작업에서 고전적 GAN을 능가할 수 있는가?
• RQ2 QCBM에서 다중 기저 상태 측정을 사용할 경우, 생성 샘플의 표현력과 품질이 상당히 향상되는가?
• RQ3 목표 분포가 고전적으로 해석 가능한 경우에도 양자 모델이 생성 모델링에서 실용적인 양자 우위를 제공할 수 있는가?
• RQ4 제한된 큐비트 자원 하에서, 양자 사전 모델링은 GAN의 훈련 안정성과 수렴에 어떤 영향을 미치는가?

주요 결과

• QC-AAN 프레임워크는 단지 8큐비트만으로 MNIST 데이터셋에서 SOTA(Inception Score 8.96)를 달성하여 유사한 고전적 GAN을 능가했다.
• 다중 기저 QCBM는 제한된 큐비트 수에도 불구하고 사전 분포의 표현력을 향상시켜 고품질 이미지 생성을 가능하게 하였다.
• 양자 보조 훈련 과정은 고전적 기준 대비 훨씬 더 안정적인 성능과 손실 표면 탐색 능력을 보였다.
• 6큐비트 및 8큐비트 사전 분포로 인해 유일한 생성 이미지가 64개 또는 256개에 불과하더라도 높은 Inception Score를 달성하여 강력한 클래스 구분력과 다양성을 보였다.
• 인간 관찰자들은 낮은 유일 샘플 수에도 불구하고 생성된 숫자가 명확하고 식별 가능하다고 평가했으며, 이는 높은 인지 품질을 의미한다.
• 결과적으로 이론적 비가역성에 기반한 것이 아니라, 실세계 데이터에서 향상된 훈련 역학과 샘플 품질을 통해 실용적 양자 우위가 입증되었다.