[논문 리뷰] Learning to Utilize Correlated Auxiliary Classical or Quantum Noise.

Aida Ahmadzadegan, Petar Simidzija외 2명|arXiv (Cornell University)|2020. 06. 08.

Quantum Computing Algorithms and Architecture참고 문헌 25인용 수 8

한 줄 요약

이 논문은 신경망이 입력 노이즈와 보조 노이즈 간의 상관관계를 활용하여 노이즈가 있는 이미지 분류 작업에서 성능을 복구할 수 있음을 보여준다. 이는 양자 시스템이 복잡한 노이즈 상관관계를 처리할 때 더 뛰어난 표현 효율성 덕분에 고전적 시스템을 능가할 수 있음을 시사한다.

ABSTRACT

This paper has two messages. First, we demonstrate that neural networks can learn to exploit correlations between noisy data and suitable auxiliary noise. In effect, the network learns to use the correlated auxiliary noise as an approximate key to decipher its noisy input data. Second, we show that the scaling behavior with increasing noise is such that future quantum machines should possess an advantage. For a concrete example, we reduce the image classification performance of convolutional neural networks (CNNs) by adding noise of different amounts and quality to the input images. We then demonstrate that the CNNs are able to partly recover their performance if, along with each noisy image, they are given auxiliary noise that is correlated with the image noise. We analyze the scaling of a CNN ability to learn and utilize these noise correlations as the level, dimensionality, or complexity of the noise is increased. We thereby find numerical and theoretical indications that quantum machines, due to their efficiency in representing complex correlations, could possess a significant advantage over classical machines.

연구 동기 및 목표

• 신경망이 노이즈가 있는 입력 데이터에서 회복하는 데 핵심이 되는 상관관계가 있는 보조 노이즈를 효과적으로 학습할 수 있는지 조사하는 것.
• 노이즈 수준, 차원 수, 복잡성이 신경망의 상관관계 학습 및 활용 능력에 미치는 영향을 분석하는 것.
• 복잡한 노이즈 상관관계를 표현하고 처리하는 데서의 잠재적 양자 우월성 탐색

제안 방법

• 컨volutional 신경망(CNN)에 다양한 수준과 품질의 제어된 노이즈를 추가하여 성능 저하를 유도한다.
• 각 노이즈가 첨부된 이미지에 입력 이미지 노이즈와 상관관계가 있는 보조 노이즈 신호를 제공한다.
• CNN이 노이즈가 있는 이미지와 보조 노이즈를 모두 활용하여 분류 정확도를 향상시키도록 훈련시킨다.
• 노이즈 수준, 차원 수, 복잡성을 체계적으로 변화시켜 스케일링 행동을 연구한다.
• 노이즈 특성에 따라 네트워크의 복구 성능을 분석한다.
• 이론적 및 수치적 증거를 바탕으로 복잡한 상관관계를 효율적으로 표현할 수 있음을 시사하며, 이는 양자 시스템의 우월성을 시사한다.

실험 결과

연구 질문

• RQ1 신경망은 상관관계가 있는 보조 노이즈를 효과적으로 활용하여 손상된 입력으로부터 성능을 복구할 수 있는가?
• RQ2 노이즈 수준, 차원 수, 복잡성이 증가함에 따라 성능 복구는 어떻게 스케일링되는가?
• RQ3 노이즈 상관관계 품질과 네트워크의 노이즈로부터의 복구 능력 사이의 관계는 무엇인가?
• RQ4 상관관계가 있는 보조 노이즈의 존재가 노이즈 조건 하에서 이미지 분류 성능 향상에 기여하는가?
• RQ5 이러한 상관관계가 있는 노이즈를 처리할 때 양자 시스템이 고전적 시스템보다 기본적인 우월성을 가질 수 있는가?

주요 결과

• CNN은 노이즈가 있는 입력과 함께 상관관계가 있는 보조 노이즈가 제공될 경우 원래 성능의 상당 부분을 복구할 수 있다.
• 보조 노이즈의 품질과 상관관계 강도가 높을수록 성능 복구가 유리하게 스케일링된다.
• 노이즈의 복잡성이 증가함에 따라 고전적 네트워크는 복구 성능 향상에 점점 더 작은 기여를 보이며, 표현 능력에 한계가 있음을 시사한다.
• 수치적 및 이론적 분석을 통해 양자 시스템이 복잡한 노이즈 상관관계를 효율적으로 표현할 수 있으며, 이는 뛰어난 스케일링 성능을 가능하게 한다.
• 고차원 노이즈에서 상관관계를 활용하는 작업에서 잠재적인 양자 우월성이 존재한다.