[논문 리뷰] Machine learning \& artificial intelligence in the quantum domain

Vedran Dunjko, Hans J. Briegel|arXiv (Cornell University)|2017. 09. 08.

Quantum Computing Algorithms and Architecture인용 수 12

한 줄 요약

이 리뷰는 양자 정보 처리(QIP)와 기계 학습(ML)/인공지능(AI)의 상호보완적 융합을 탐구하며, 양자 컴퓨팅이 표본 복잡도와 계산 복잡도 측면에서 기계 학습 작업을 가속화할 수 있는 방법을 보여주고, 동시에 기계 학습 기법이 양자 실험 설계와 제어를 향상시키는 데 기여함을 설명한다. 양자 학습 효율성, 데이터 처리 능력, 자율적 양자 연구 능력에서의 양자 우월성에 초점을 맞추며, ML/AI가 양자 기술의 잠재적 '킬링 앱'이 될 수 있음을 제시한다.

ABSTRACT

Quantum information technologies, and intelligent learning systems, are both emergent technologies that will likely have a transforming impact on our society. The respective underlying fields of research -- quantum information (QI) versus machine learning (ML) and artificial intelligence (AI) -- have their own specific challenges, which have hitherto been investigated largely independently. However, in a growing body of recent work, researchers have been probing the question to what extent these fields can learn and benefit from each other. QML explores the interaction between quantum computing and ML, investigating how results and techniques from one field can be used to solve the problems of the other. Recently, we have witnessed breakthroughs in both directions of influence. For instance, quantum computing is finding a vital application in providing speed-ups in ML, critical in our "big data" world. Conversely, ML already permeates cutting-edge technologies, and may become instrumental in advanced quantum technologies. Aside from quantum speed-up in data analysis, or classical ML optimization used in quantum experiments, quantum enhancements have also been demonstrated for interactive learning, highlighting the potential of quantum-enhanced learning agents. Finally, works exploring the use of AI for the very design of quantum experiments, and for performing parts of genuine research autonomously, have reported their first successes. Beyond the topics of mutual enhancement, researchers have also broached the fundamental issue of quantum generalizations of ML/AI concepts. This deals with questions of the very meaning of learning and intelligence in a world that is described by quantum mechanics. In this review, we describe the main ideas, recent developments, and progress in a broad spectrum of research investigating machine learning and artificial intelligence in the quantum domain.

연구 동기 및 목표

• 양자 정보 처리(QIP)와 기계 학습(ML)/인공지능(AI) 간 상호 이득을 탐구하는 것, 특히 각 분야가 어떻게 상호로 발전시킬 수 있는지 분석하는 것.
• 기계 학습 작업에서의 핵심 양자 우월성, 예를 들어 감소된 표본 복잡도와 향상된 실행 시간 효율성 등을 식별하고 분석하는 것.
• 기계 학습과 인공지능이 양자 실험 설계, 최적화, 자율적 수행에 어떻게 기여하는지 검토하는 것.
• 완전히 양자적인 세계에서 학습과 지능 개념의 양자 일반화에 관한 기초적 질문들을 탐색하는 것.
• 양자 강화 기계 학습의 실용적 타당성과 이론적 한계를 평가하는 것, 노이즈 내성과 구현 제약 조건을 포함하여.

제안 방법

• 양자 기계 학습(QML) 분야의 이론적 및 실험적 진전을 조사하며, 지도 학습 및 강화 학습에 대한 양자 가속화를 포함한다.
• 양자 강화 샘플링을 활용한 하미르토니안 추정, 위상 추정, 일반화된 양자 상태 학습을 위한 양자 알고리즘을 분석한다.
• 신경망과 서포트 벡터 머신과 같은 고전적 기계 학습 모델을 양자 데이터 및 양자 제어 과제에 적용한다.
• 초전도성과 얽힘을 데이터 표현에 활용함으로써 학습 용량을 증가시키는 양자 강화 아키텍처, 예를 들어 양자화된 허프필드 네트워크와 진폭 인코딩 학습 모델을 도입한다.
• 강화 학습을 위한 양자 에이전트-환경 프레임워크를 개발하여 상호작용 환경에서의 양자 강화 의사결정을 가능하게 한다.
• 계산 학습 이론을 통해 양자 우월성을 평가하며, 특히 양자 PAC 학습과 쿼리 복잡도가 감소된 멤버십 쿼리 모델을 포함한다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅이 기계 학습 문제의 표본 복잡도와 실행 시간에 얼마나 많은 가속화를 제공할 수 있는가?
• RQ2 기계 학습 기법을 어떻게 활용하여 양자 실험을 자동으로 설계하고 최적화하며 제어할 수 있는가?
• RQ3 양자 강화 학습의 이론적 한계는 무엇이며, 고전적 방법과 비교해 볼 때 어떻게 다를 수 있는가?
• RQ4 학습과 인공지능 개념의 양자 일반화가 양자 세계에서 새로운 지능 프레임워크를 이끌 수 있는가?
• RQ5 노이즈, 데이터 구조, 자원 요구량 등의 실용적 제약 조건이 양자 기계 학습 알고리즘의 구현을 어떻게 제한하는가?

주요 결과

• 양자 기계 학습은 특정 조건 하에서 고전적 방법에 비해 지수적 향상을 이룰 수 있는 양자 PAC 학습을 통해 이론적 표본 복잡도 가속화를 제공한다.
• 하미르토니안 추정 및 위상 추정을 위한 양자 강화 알고리즘은 고전적 접근에 비해 더 높은 정밀도와 더 낮은 자원 요구량을 보여준다.
• 진폭 인코딩과 양자화된 허프필드 네트워크를 통해 양자 중첩과 얽힘의 특성을 활용하여 더 높은 학습 용량을 달성할 수 있다.
• 양자 강화 학습 에이전트는 쿼리 효율성 측면에서 이론적 우월성을 보이며, 상호작용 학습 과제에서 향상된 성능 잠재력을 보인다.
• 기계 학습은 이미 양자 실험 설계와 제어를 자동화하는 데 활용되고 있으며, 인간 간섭을 줄이고 실험 결과를 향상시키고 있다.
• 이론적 잠재력에도 불구하고 대부분의 양자 기계 학습 제안 사항은 높은 조건수, 노이즈 민감도, 그리고 확장 가능한 양자 하드웨어 부족 등의 실용적 과제로 인해 제한되어 있다.