[논문 리뷰] Higher-Order Quantum Reservoir Computing

Quoc Hoan Tran, Kohei Nakajima|arXiv (Cornell University)|2020. 06. 16.

Neural Networks and Reservoir Computing참고 문헌 6인용 수 12

한 줄 요약

이 논문은 다수의 작은 상호연결된 양자 시스템을 사용하여 확장성과 성능을 향상시키는 하이퍼오더 양자 리저보아르 컴퓨팅(HQRC)을 제안한다. 이는 하이브리드 양자-고전적 프레임워크로서, 하위 시스템 간 고전적 피드백을 활용하고 FORCE 학습 또는 내재 학습을 가능하게 하여 복잡한 시공간 혼돈을 효율적으로 모방한다. 이는 특정 비선형 동역학 시스템 작업에서 기존 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Quantum reservoir computing (QRC) is an emerging paradigm for harnessing the natural dynamics of quantum systems as computational resources that can be used for temporal machine learning tasks. In the current setup, QRC is difficult to deal with high-dimensional data and has a major drawback of scalability in physical implementations. We propose higher-order QRC, a hybrid quantum-classical framework consisting of multiple but small quantum systems that are mutually communicated via classical connections like linear feedback. By utilizing the advantages of both classical and quantum techniques, our framework enables an efficient implementation to boost the scalability and performance of QRC. Furthermore, higher-order settings allow us to implement a FORCE learning or an innate training scheme, which provides flexibility and high operability to harness high-dimensional quantum dynamics and significantly extends the application domain of QRC. We demonstrate the effectiveness of our framework in emulating large-scale nonlinear dynamical systems, including complex spatiotemporal chaos, which outperforms many of the existing machine learning techniques in certain situations.

연구 동기 및 목표

• 기존의 양자 리저보아르 컴퓨팅(QRC) 프레임워크의 확장성 및 고차원 데이터 처리 한계를 해결하기 위해.
• 단일 큰 양자 시스템을 다수의 더 작은 상호연결된 양자 시스템으로 대체하여 QRC의 실용적인 물리적 구현을 가능하게 하기 위해.
• 양자 리저보아르 간 고전적 피드백 연결을 도입하여 계산 능력과 유연성을 향상시키기 위해.
• 고차원 양자 동역학에서의 적응성 향상을 위해 FORCE 학습 또는 내재 학습과 같은 고급 학습 기법을 지원하기 위해.
• 스페이스타임 혼돈을 포함한 대규모 비선형 동역학 시스템을 모방하는 데에 프레임워크의 능력을 입증하기 위해.

제안 방법

• 프레임워크는 고전적 선형 피드백를 통해 연결된 다수의 작은 양자 리저보아르를 사용하여 다차원 입력 처리 및 조율된 입출력 타임스텝을 가능하게 한다.
• 각 하위 시스템은 전역 입력 스트림과 다른 리저보아르의 신호의 선형 조합을 수신하여 분산적이지만 동기화된 계산을 가능하게 한다.
• 양자 동역학은 해밀토니안에 따른 유니터리 진화에 의해 지배되며, 일부 큐비트에서의 측정을 통해 리저보아르 상태를 추출한다.
• 읽기 출력 층은 수집된 입력-출력 쌍을 기반으로 출력 가중치를 학습하기 위해 정규화된 최소 제곱 회귀를 사용한다.
• 시스템은 FORCE 학습과 내재 학습 기법을 모두 지원하여 고차원 양자 동역학에서의 적응적이고 효율적인 학습을 가능하게 한다.
• 장기 예측 작업의 안정성을 향상시키기 위해 학습 중 고전적 노이즈를 추가하며, 노이즈 수준은 하이퍼파rameter로 조정된다.

실험 결과

연구 질문

• RQ1 다수의 상호연결된 작은 양자 시스템을 기반으로 한 하이브리드 양자-고전적 프레임워크가 양자 리저보아르 컴퓨팅의 확장성 향상에 기여할 수 있는가?
• RQ2 양자 리저보아르 간 고전적 피드백의 도입이 계산 성능 향상과 입력 차원 처리 능력 향상에 어떻게 기여하는가?
• RQ3 하이퍼오더 QRC는 복잡한 동역학에서의 적응성 향상을 위해 FORCE 학습 또는 내재 학습과 같은 고급 학습 기법을 지원할 수 있는가?
• RQ4 HQRC는 기존의 고전적 기반 대비 대규모 비선형 동역학 시스템, 예를 들어 스페이스타임 혼돈을 어느 정도 잘 모방할 수 있는가?
• RQ5 HQRC는 고차원 입력과 복잡한 동역학을 포함하는 시간 기반 기계학습 작업에서 뛰어난 성능을 달성하는가?

주요 결과

• 하이퍼오더 양자 리저보아르 컴퓨팅(HQRC) 프레임워크는 단일 큰 시스템 대신 다수의 작은 양자 시스템을 사용하여 확장 가능하고 효율적인 QRC의 구현을 성공적으로 가능하게 하였다.
• 하위 시스템 간 고전적 피드백를 도입함으로써 HQRC는 다차원 입력의 조율된 처리를 가능하게 하였고 계산의 민첩성을 향상시켰다.
• 프레임워크는 FORCE 학습 및 내재 학습과 같은 고급 학습 기법을 지원하여 고차원 양자 동역학에서의 적응성 향상에 크게 기여하였다.
• HQRC는 복잡한 스페이스타임 혼돈을 모방하는 데서 뛰어난 성능을 보였으며, 특정 비선형 동역학 시스템 작업에서 많은 기존 기계학습 기법을 능가하였다.
• 학습 중 가우시안 노이즈를 포함함으로써 장기 예측의 안정성이 향상되었으며, 최적의 성능는 $\eta_n = 5 \times 10^{-3}$의 노이즈 수준에서 관찰되었다.
• 프레임워크는 대규모 단일 분자 양자 시스템이 필요로 하는 복잡한 합성 요구 조건을 피하기 때문에 NISQ 장치에서도 실용적으로 구현 가능하다.