[논문 리뷰] GenQu: A Hybrid System for Learning Classical Data in Quantum States

Samuel A. Stein, Ray Marie Tischio외 6명|arXiv (Cornell University)|2021. 05. 04.

Quantum Computing Algorithms and Architecture참고 문헌 20인용 수 10

한 줄 요약

GenQu는 깊이 있는 신경망을 사용하여 고전적 데이터를 양자 상태로 인코딩하는 하이브리드 양자-고전적 프레임워크로, 훨씬 적은 큐비트 수와 파라미터 수로도 효율적인 학습을 가능하게 한다. 시뮬레이션과 IBM-Q 하드웨어에서 실제 데이터셋을 사용한 실험에서, 기존 고전적 방법 대비 최대 95.8%의 모델 파라미터 감소와 66.67% 빠른 수렴 속도를 달성하면서도 유사한 정확도를 유지한다.

ABSTRACT

Deep neural network-powered artificial intelligence has rapidly changed our daily life with various applications. However, as one of the essential steps of deep neural networks, training a heavily-weighted network requires a tremendous amount of computing resources. Especially in the post Moore's Law era, the limit of semiconductor fabrication technology has restricted the development of learning algorithms to cope with the increasing high-intensity training data. Meanwhile, quantum computing has exhibited its significant potential in terms of speeding up the traditionally compute-intensive workloads. For example, Google illustrates quantum supremacy by completing a sampling calculation task in 200 seconds, which is otherwise impracticable on the world's largest supercomputers. To this end, quantum-based learning becomes an area of interest, with the promising of a quantum speedup. In this paper, we propose GenQu, a hybrid and general-purpose quantum framework for learning classical data through quantum states. We evaluate GenQu with real datasets and conduct experiments on both simulations and real quantum computer IBM-Q. Our evaluation demonstrates that, comparing with classical solutions, the proposed models running on GenQu framework achieve similar accuracy with a much smaller number of qubits, while significantly reducing the parameter size by up to 95.8\% and converging speedup by 66.67% faster.

연구 동기 및 목표

• 후무어의 법칙 이후 시대의 딥 뉴럴 네트워크 학습에 증가하는 계산적 요구를 해결하기 위해.
• 고성능 훈련 데이터를 처리하는 데 있어 고전적 하드웨어의 확장성 한계를 극복하기 위해.
• 기계 학습 워크로드에서 양자 컴퓨팅의 성능 향상 잠재력을 활용하기 위해.
• 고전적 데이터를 양자 상태로 효율적으로 인코딩할 수 있는 일반 목적의 하이브리드 양자 프레임워크를 개발하기 위해.
• 기존 고전적 모델 대비 큐비트 수와 파라미터 수를 크게 줄여도 유사한 정확도를 달성하기 위해.

제안 방법

• 깊이 있는 신경망을 활용해 고전적 데이터를 효율적으로 양자 상태로 매핑하기 위해.
• 고전적 데이터 처리와 양자 상태 준비를 통합한 하이브리드 양자-고전 아키텍처를 설계하기 위해.
• 큐비트와 파라미터 오버헤드를 최소화하기 위해 파라미터 효율적인 양자 모델 훈련 파이프라인을 구현하기 위해.
• 근처 양자 하드웨어와의 호환성을 높이기 위해 양자 회로 구조를 최적화해 깊이와 게이트 수를 감소시키기 위해.
• 엔드 투 엔드 평가를 위해 양자 시뮬레이터와 실제 IBM-Q 양자 프로세서에 프레임워크를 구현하기 위해.
• 작은 파라미터 공간을 가진 양자 변량 알고리즘을 적용해 인코딩된 양자 상태에서 모델을 훈련하기 위해.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전 프레임워크는 큐비트 수와 파라미터 수를 크게 줄였음에도 불구하고 고전적 딥 러닝 모델과 유사한 정확도를 달성할 수 있는가?
• RQ2 근처 양자 하드웨어를 사용할 때 고전적 데이터 학습 작업에서 양자 성능 향상은 어느 정도 실현 가능한가?
• RQ3 GenQu를 통해 훈련된 양자 모델의 파라미터 효율성은 실제 세계 데이터셋에서 고전적 모델과 비교해 어떻게 되는가?
• RQ4 동일한 정확도 목표 하에 GenQu로 훈련된 모델의 수렴 성능는 고전적 훈련에 비해 어떻게 되는가?
• RQ5 다양한 데이터셋과 양자 하드웨어 플랫폼에서 GenQu 프레임워크는 얼마나 확장 가능하고 내구성이 있는가?

주요 결과

• GenQu는 실제 데이터셋을 사용해 훈련했을 때 고전적 딥 러닝 모델과 유사한 정확도를 달성한다.
• 프레임워크는 고전적 솔루션 대비 최대 95.8%의 모델 파라미터 감소를 기록한다.
• GenQu 모델은 고전적 대비 훈련 과정에서 66.67% 더 빠르게 수렴한다.
• 프레임워크는 양자 시뮬레이터와 실제 IBM-Q 양자 하드웨어 양쪽 모두에서 효과적인 성능을 보였다.
• 양자 상태 인코딩 전략은 최소한의 큐비트 오버헤드로 효율적인 학습을 가능하게 하여 근처 양자 장치에 대한 실현 가능성을 높였다.
• 하이브리드 설계는 계산 자원 소비, 특히 파라미터 수와 큐비트 수를 크게 줄였음에도 불구하고 높은 정확도를 유지한다.