[논문 리뷰] Is quantum advantage the right goal for quantum machine learning?

Maria Schuld, Nathan Killoran|arXiv (Cornell University)|2022. 03. 02.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 양자 기계학습에서의 주로 추구되는 양자 우월성은 고전적 기계학습의 뛰어난 실용적 성능과 이론적 복잡성 덕분에 잘못된 방향임을 주장한다. 대신, 양자 모델, 커널 방법, 미분 가능 양자 프로그래밍에 대한 기초 연구로의 전환을 주장하며, 양자 알고리즘의 속도 향상이 필요 없이도 진전을 이룰 수 있음을 보여준다.

ABSTRACT

Machine learning is frequently listed among the most promising applications for quantum computing. This is in fact a curious choice: Today's machine learning algorithms are notoriously powerful in practice, but remain theoretically difficult to study. Quantum computing, in contrast, does not offer practical benchmarks on realistic scales, and theory is the main tool we have to judge whether it could become relevant for a problem. In this perspective we explain why it is so difficult to say something about the practical power of quantum computers for machine learning with the tools we are currently using. We argue that these challenges call for a critical debate on whether quantum advantage and the narrative of 'beating' classical machine learning should continue to dominate the literature the way it does, and highlight examples for how other perspectives in existing research provide an important alternative to the focus on advantage.

연구 동기 및 목표

• 고전적 기계학습 알고리즘의 높은 성능과 복잡성으로 인해 기계학습 분야에서 양자 우월성을 달성하는 것이 얼마나 어려운지 비판적으로 분석하는 것.
• 현재의 양자 우월성 입증에 대한 집중이 의미 있는 연구 범위를 제한하고 기초적 진전을 저해할 수 있음을 주장하는 것.
• 속도 향상이 필요 없이도 유의미한 통찰을 낳을 수 있는 대안적 연구 방향—예를 들어, 양자 모델 설계, 커널 방법, 그리고 미분 가능 양자 프로그래밍—을 강조하는 것.
• 연구 공동체가 '고전적 알고리즘에 앞서는 것'에 치중하는 것에서 벗어나, 더 넓고 지속 가능한 과학적 탐구로 방향을 전환할 것을 장려하는 것.
• 즉각적인 양자 우월성이 없더라도, 양자 빌딩 블록 연구, 고전적 학습 이론과의 이론적 다리 장착, 실용적인 소프트웨어 도구 개발을 통해 기초적인 진전이 이룩될 수 있음을 제안하는 것.

제안 방법

• 작은 입력, 구조화된 문제, 이론적으로 접근 가능한 특성을 지닌 양자 계산 문제와 대비하여, 큰 입력, 혼란스러운 특성, 동적으로 변화하는 이론을 지닌 실제 기계학습 작업의 특성을 분석함으로써, 기계학습 분야에서 양자 우월성을 입증하는 데의 과제를 분석한다.
• 양자 회로의 정확한 기울기 계산을 위한 하드웨어 우수한 방법으로 파라미터 이동 규칙을 도입하여, 미분 가능 양자 프로그래밍을 가능하게 한다.
• 기본 최적화기인 Adam과 Momentum를 사용하여 기존 딥 러닝 파이프라인에 양자 기울기를 통합함으로써, 하이브리드 양자-고전 모델의 엔드 투 엔드 학습이 가능해짐을 보여준다.
• 특히 커널 방법과 최적화 지형의 관점에서, 양자 기계학습과 고전적 학습 이론 간의 이론적·실용적 연결 고리를 탐색한다.
• 양자 컴퓨팅과 딥 러닝 간의 상호 영향을 통해 양자 인지 최적화기와 텐서 네트워크 기반 모델이 도출될 수 있음을 제안한다.
• 대규모 양자 하드웨어가 없는 상황에서, 기초적 통찰을 우선시하고 양자 스피드업 주장보다는 평가 기준을 재고할 것을 주장한다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅의 이론적 잠재력에도 불구하고, 기계학습 분야에서 양자 우월성을 입증하는 것이 왜 특히 어려운가?
• RQ2 고전적 알고리즘보다 빠른 성능이 필요 없이도 의미 있는 진전을 이룰 수 있는 기초 연구 방향은 무엇인가?
• RQ3 미분 가능 양자 프로그래밍과 파라미터 이동 규칙은 어떻게 실용적인 양자 기계학습 응용을 가능하게 하는가?
• RQ4 양자 기계학습 모델은 커널 방법을 통해 어떻게 고전적 학습 이론과 의미 있게 연결될 수 있는가?
• RQ5 연구 공동체는 어떻게 양자 우월성의 서사에만 치중하지 않고, 기초적 혁신을 지원하도록 연구 우선순위를 재조정할 수 있는가?

주요 결과

• 기계학습 분야에서의 양자 우월성 추구는 고전적 알고리즘의 뛰어난 실용적 성능으로 인해 높은 기준을 설정함으로써 저해되고 있다.
• 현재의 제한 조건인 작은 큐비트 수와 큰 입력 크기로 인해, 양자 기계학습 연구는 분석적으로 접근 가능한 문제의 좁은 부분집합에 국한되어 있다.
• 파라미터 이동 규칙은 최소한의 오버헤드로 양자 회로의 정확한 기울기 계산을 가능하게 하여, 표준 딥 러닝 최적화 기법을 사용한 양자 모델 학습이 실현 가능해졌다.
• 미분 가능 양자 프로그래밍은 양자 서브루틴을 하이브리드 양자-고전 모델에 통합함으로써, Adam과 같은 최적화기를 사용한 엔드 투 엔드 학습을 가능하게 하였다.
• 양자 기울기 및 최적화에 대한 연구는 이미 양자 인지 최적화기와 딥 러닝과의 상호 영향을 통해 탄생한 텐서 네트워크 기반 모델 개발로 이어졌다.
• 양자 우월성에서 벗어나 모델 설계, 커널 이론, 소프트웨어 도구와 같은 기초 질문에 집중할 경우, 즉각적인 하드웨어 우위 없이도 지속 가능한 진전을 이룰 수 있다.