[논문 리뷰] Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning

Ruiyang Qin, Zhiding Liang외 3명|arXiv (Cornell University)|2022. 10. 04.

Quantum Computing Algorithms and Architecture인용 수 7

한 줄 요약

이 논문은 노이즈가 많은 중규모 양자(NISQ) 장치에서 노이즈를 완화하기 위해 여러 양자 컴퓨터를 통해 다수결 투표를 수행하는 앙상블 양자 분류기 EQV를 제안한다. 서로 다른 하드웨어에서 훈련된 독립적인 VQC로부터 예측을 집계함으로써 EQV는 두 클래스와 네 클래스의 MNIST 이미지 분류 과제에서 각각 최대 16.0%와 6.1% 높은 정확도를 달성한다.

ABSTRACT

Due to the immense potential of quantum computers and the significant computing overhead required in machine learning applications, the variational quantum classifier (VQC) has received a lot of interest recently for image classification. The performance of VQC is jeopardized by the noise in Noisy Intermediate-Scale Quantum (NISQ) computers, which is a significant hurdle. It is crucial to remember that large error rates occur in quantum algorithms due to quantum decoherence and imprecision of quantum gates. Previous studies have looked towards using ensemble learning in conventional computing to reduce quantum noise. We also point out that the simple average aggregation in classical ensemble learning may not work well for NISQ computers due to the unbalanced confidence distribution in VQC. Therefore, in this study, we suggest that ensemble quantum classifiers be optimized with plurality voting. On the MNIST dataset and IBM quantum computers, experiments are carried out. The results show that the suggested method can outperform state-of-the-art on two- and four-class classifications by up to 16.0% and 6.1% , respectively.

연구 동기 및 목표

• 노이즈가 높아져 변이 양자 분류기(VQC) 성능을 떨어뜨리는 NISQ 시대의 양자 컴퓨터 문제를 해결하기 위해.
• VQC에 적용할 때 균형 잡히지 않은 신뢰도 분포로 인해 평균 집계 방식이 약화되는 문제를 극복하기 위해.
• 노이즈가 많은 양자 환경에서 정확도와 안정성을 향상시키는 견고한 양자 앙상블 학습 프레임워크를 개발하기 위해.
• 단일 장치 추론과 QUILT과 같은 기존의 앙상블 방법보다 다수결 투표를 통해 여러 양자 컴퓨터를 통해 수행할 경우 성능이 뛰어나다는 것을 입증하기 위해.

제안 방법

• 동일한 입력 데이터에 대해 서로 다른 NISQ 양자 컴퓨터에 배포된 독립적인 변이 양자 회로(VQC)를 통해 다양한 예측을 생성한다.
• 다수결 투표 전략을 사용하여 예측을 집계하며, 가장 많은 표를 받은 클래스를 최종 출력으로 선택한다.
• 정확한 예측은 신뢰도 점수가 균형 잡히지 않더라도 장치 간에 일관성 있게 나타나기 때문에 이를 활용한다.
• MNIST-2 및 MNIST-4 데이터셋에 대해 실질적인 IBM 양자 프로세서(ibmq_lima, ibmq_belem, ibmq_quito)에서 4 큐비트 어레이를 사용해 VQC를 훈련한다.
• 단일 VQC 추론, QUILT(평균 집계), One-Vs-One 분류와 같은 기준 방법과 성능을 비교한다.
• 신뢰도 분포를 분석하여, 특히 정확한 예측과 잘못된 예측에 대해 신뢰도가 비대칭일 경우 평균 집계보다 다수결 투표가 더 효과적임을 정당화한다.

실험 결과

연구 질문

• RQ1 신뢰도 분포가 비균형적인 NISQ 장치에서 다수결 투표가 평균 집계보다 성능이 뛰어나게 되는가?
• RQ2 여러 물리적 양자 컴퓨터에 걸쳐 VQC 추론을 분산하면 단일 장치 실행 대비 분류 정확도가 향상되는가?
• RQ3 앙상블 투표가 NISQ 시대의 양자 분류기에 노이즈의 영향을 어느 정도 완화할 수 있는가?
• RQ4 실제 양자 하드웨어에서 EQV의 성능은 QUILT 및 One-Vs-One과 같은 최신 기술의 양자 앙상블 방법과 비교해 어떻게 되는가?
• RQ5 높은 클래스 수의 분류 과제에서 시뮬레이션과 실제 장치 성능 간의 정확도 격차가 왜 커지는가?

주요 결과

• EQV는 앙상블 크기가 7인 두 클래스 MNIST-2 분류 과제에서 87.0%의 정확도를 달성하여 QUILT(71%)와 One-Vs-One(28%)보다 최대 16.0% 높은 성능을 보였다.
• 네 클래스 MNIST-4 분류 과제에서 EQV는 앙상블 크기가 11일 때 45.1%의 정확도를 기록하여 QUILT(39%)와 One-Vs-One(21%)를 각각 6.1% 높게 달성했다.
• 실제 양자 하드웨어에서 EQV의 성능(87.0% for MNIST-2)은 어떤 개별 장치에서도 단일 VQC가 달성한 최대 성능(83.0% on ibmq_quito)을 초월한다.
• 시뮬레이션(91.0% for MNIST-2)에서 실장치(87.0%)로의 정확도 저하가 네 클래스 과제에서 더 크며, 이는 큐비트 수 증가에 따라 노이즈에 더 민감한 것을 시사한다.
• 다수결 투표는 균형 잡히지 않은 신뢰도 분포의 영향을 효과적으로 완화하며, 잘못된 예측는 일반적으로 낮은 신뢰도를 가지지만 평균 집계에서는 여전히 지배적일 수 있다.
• 하드웨어 다양성과 투표 전략을 활용함으로써 개별 양자 프로세서의 오차율이 다를 경우에도 프레임워크는 향상된 안정성과 강건성을 보였다.