[논문 리뷰] Hybrid Quantum-Classical Graph Convolutional Network

Samuel Yen-Chi Chen, Tzu-Chieh Wei외 3명|arXiv (Cornell University)|2021. 01. 15.

Quantum Computing Algorithms and Architecture참고 문헌 89인용 수 24

한 줄 요약

하이브리드 양자-고전 그래프 합성곱 신경망(QGCNN)을 제안하여 고에너지 물리학 데이터에서 더 적은 파라미터로 QCNN과 유사한 테스트 정확도를 달성하고, DUNE 유사 데이터에서 고전 기반선보다 우수한 성능을 보인다.

ABSTRACT

The high energy physics (HEP) community has a long history of dealing with large-scale datasets. To manage such voluminous data, classical machine learning and deep learning techniques have been employed to accelerate physics discovery. Recent advances in quantum machine learning (QML) have indicated the potential of applying these techniques in HEP. However, there are only limited results in QML applications currently available. In particular, the challenge of processing sparse data, common in HEP datasets, has not been extensively studied in QML models. This research provides a hybrid quantum-classical graph convolutional network (QGCNN) for learning HEP data. The proposed framework demonstrates an advantage over classical multilayer perceptron and convolutional neural networks in the aspect of number of parameters. Moreover, in terms of testing accuracy, the QGCNN shows comparable performance to a quantum convolutional neural network on the same HEP dataset while requiring less than $50\%$ of the parameters. Based on numerical simulation results, studying the application of graph convolutional operations and other QML models may prove promising in advancing HEP research and other scientific fields.

연구 동기 및 목표

• 희소한 고에너지 물리 데이터에 양자 기계학습의 활용을 동기 부여한다.
• 하이브리드 양자-고전 그래프 합성곱 아키텍처(QGCNN)를 도입한다.
• DUNE 유사 데이터셋에서 파라미터 효율성과 경쟁력 있는 정확도를 입증한다.
• 동일한 작업에서 QGCNN를 고전적 MLP/CNN 및 QCNN과 비교한다.

제안 방법

• 정규화된 인접 행렬을 사용하여 이웃 특징을 집계하기 위해 입력 이미지에 그래프 합성곱 연산을 적용한다.
• 그래프 처리 벡터를 진폭 인코딩(amplitude encoding)을 통해 양자 상태로 인코딩하여 큐비트 수를 최소화한다.
• 인코딩된 상태를 tanh 활성화로 구분되고 최종 고전적 후처리 층이 있는 두 개의 변분 양자 회로(VQC) 블록으로 처리한다.
• RMSProp 최적화를 사용하여 VQC를 학습하기 위해 기울기 기반 매개변수 시프트 규칙을 사용한다.
• DUNE 데이터셋에서 고전적 MLP/CNN 및 QCNN 베이스라인과의 파라미터 및 성능을 비교한다.
• 양자 데이터 처리에 대해 amplitude encoding과 variational encoding 스키마를 활용한다.

실험 결과

연구 질문

• RQ1 순수 고전 모델에 비해 희소한 HEP 데이터에서 하이브리드 양자-고전 그래프 CNN이 성능을 향상시킬 수 있는가?
• RQ2 그래프 합성곱을 가변 양자 회로와 통합하는 것이 정확도를 유지하면서 파라미터 수를 줄일 수 있는가?
• RQ3 DUNE-시뮬레이션된 입자 식별 작업에서 QGCNN은 QCNN 및 고전적 구조와 어떻게 비교되는가?

주요 결과

• QGCNN은 여러 이진 분류 작업에서 QCNN보다 적은 파라미터를 필요로 하지만 유사한 테스트 정확도를 달성한다.
• QGCNN은 동일한 데이터 세트에서 고전적 MLP 및 CNN 베이스라인에 비해 더 우수한 테스트 정확도를 보인다.
• 무Muon vs electron 작업에서 QGCNN은 경쟁적 양자 및 고전 모델에 비해 훨씬 적은 파라미터로 높은 정확도를 달성한다.
• muon vs proton 및 muon vs pion 작업에서 QGCNN은 QCNN보다 파라미터가 적으면서 경쟁력 있거나 더 높은 테스트 정확도를 보여준다.
• 결과는 그래프 구조의 양자 처리 가 희소한 과학 데이터(HEP 이벤트 등)에 유리할 수 있음을 뒷받침한다.