[논문 리뷰] Large-scale quantum machine learning

Tobias Haug, Chris N. Self외 1명|arXiv (Cornell University)|2021. 08. 02.

Quantum Computing Algorithms and Architecture참고 문헌 38인용 수 10

한 줄 요약

이 논문은 랜덤화 측정을 사용하여 양자 커널을 계산하고 이로 인해 제곱근 속도 향상을 달성하는 확장 가능한 양자 머신 러닝 프레임워크를 제안한다. 이는 대규모 고차원 데이터셋의 효율적 처리를 가능하게 하며, 회로 깊이에 비례하여 특징을 선형으로 인코딩하고, 노이즈 보정을 통한 분산 양자 컴퓨팅을 활용함으로써, 기존 하드웨어에서 MNIST 이미지를 220시간 내에 분류한다. 이는 기존의 10년이 걸리던 시간을 크게 단축시켜 산업용 양자 머신 러닝의 실현 가능성을 높인다.

ABSTRACT

Quantum computers promise to enhance machine learning for practical applications. Quantum machine learning for real-world data has to handle extensive amounts of high-dimensional data. However, conventional methods for measuring quantum kernels are impractical for large datasets as they scale with the square of the dataset size. Here, we measure quantum kernels using randomized measurements to gain a quadratic speedup in computation time and quickly process large datasets. Further, we efficiently encode high-dimensional data into quantum computers with the number of features scaling linearly with the circuit depth. The encoding is characterized by the quantum Fisher information metric and is related to the radial basis function kernel. We demonstrate the advantages of our methods by classifying images with the IBM quantum computer. To achieve further speedups we distribute the quantum computational tasks between different quantum computers. Our approach is exceptionally robust to noise via a complementary error mitigation scheme. Using currently available quantum computers, the MNIST database can be processed within 220 hours instead of 10 years which opens up industrial applications of quantum machine learning.

연구 동기 및 목표

• 대규모 데이터셋에서 전통적인 양자 커널 방법의 비현실적인 확장성 문제를 해결하기 위해, 데이터셋 크기에 비례하여 제곱근으로 증가하는 계산 비용을 줄이기 위해.
• 회로 깊이에 비례하는 자원 스케일링을 통해 고차원 데이터를 양자 상태에 효율적으로 인코딩하기 위해.
• 랜덤화 측정과 분산 양자 처리를 통해 양자 머신 러닝의 계산 시간을 수십 년에서 수일로 단축시키기 위해.
• 근접한 양자 장치의 노이즈에 대한 강건성을 향상시키기 위해 보완적 오류 보정 기법을 도입하기 위해.
• 기존 양자 하드웨어에서 MNIST 데이터셋을 220시간 이내에 처리함으로써 양자 머신 러닝의 산업적 실현 가능성을 입증하기 위해.

제안 방법

• 기존 방법 대비 계산 시간을 제곱근 속도 향상으로 확보하기 위해 랜덤화 측정을 사용하여 양자 커널을 추정한다.
• 양자 피셔 정보 메트릭으로 특징화되는 구조를 가진 특징 인코딩 방법을 설계하며, 이는 수학적으로 반경기반 함수 커널과 연결되어 있다.
• 회로 깊이에 비례하여 특징 수를 선형으로 증가시켜 고차원 데이터의 효율적 인코딩을 가능하게 한다.
• 다양한 양자 컴퓨터에 양자 계산 작업을 분산하여 처리 속도를 향상시키고 자원 활용도를 개선한다.
• 노이즈가 많은 중간 규모 양자(NISQ) 장치에서 성능을 향상시키기 위해 보완적 오류 보정 기법을 구현한다.
• 실제 양자 머신 러닝 응용을 위한 확장 가능한 파이프라인으로 모든 구성 요소를 통합한다.

실험 결과

연구 질문

• RQ1 랜덤화 측정이 대규모 데이터셋에 대해 양자 커널 계산에서 제곱근 속도 향상을 가능하게 할 수 있는가?
• RQ2 고차원 데이터를 회로 깊이에 선형 스케일링으로 양자 상태에 효율적으로 인코딩할 수 있는가?
• RQ3 분산 양자 처리가 양자 머신 러닝 워크플로의 총 실행 시간을 얼마나 줄일 수 있는가?
• RQ4 제안된 오류 보정 기법이 노이즈가 많은 양자 하드웨어에서 분류 정확도 향상에 얼마나 효과적인가?
• RQ5 현재의 양자 컴퓨터에서 전체 파이프라인이 MNIST 데이터셋을 실현 가능한 시간 내에 처리할 수 있는가?

주요 결과

• 랜덤화 측정을 사용함으로써 양자 커널 계산 시간이 제곱근 속도 향상되어 대규모 처리가 실현 가능해졌다.
• 제안된 인코딩 방법은 회로 깊이에 비례하여 선형 스케일링되며, 고차원 데이터의 효율적 처리를 가능하게 한다.
• MNIST 데이터셋 처리 시간이 10년에서 220시간으로 감소하여 실용적 실현 가능성이 입증되었다.
• 보완적 오류 보정 기법은 근접한 양자 장치에서 노이즈에 대한 강건성을 크게 향상시켰다.
• 분산 양자 처리를 통해 여러 양자 컴퓨터에 계산 작업을 분산함으로써 더 빠른 실행이 가능해졌다.
• 이 프레임워크는 현재 이용 가능한 양자 하드웨어에서 양자 머신 러닝의 산업적 실현 가능성을 입증했다.