[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 Architecture참고 문헌 221인용 수 41

한 줄 요약

이 종합적 리뷰는 양자 정보 과학과 기계 학습(Machine Learning, ML)/인공지능(Artificial Intelligence, AI) 간 상호작용의 이중성에 대해 탐구하며, 데이터 분석, 최적화, 학습 효율성에서의 속도 향상 덕분에 양자 컴퓨팅이 ML 작업을 가속화할 수 있는 방법과 동시에, ML 및 AI 기법이 양자 실험 설계와 제어를 향상시키는 방식을 보여준다. 주요 기여는 양자 강화 학습 에이전트의 이론적 프레임워크, 고전적 ML 개념의 양자 일반화, 그리고 표본 복잡도와 계산 실행 시간에서의 양자 우월성에 대한 증거이다.

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/인공지능(ML/AI) 간 상호 이득을 조사하며, 실용적 응용과 기초적인 질문을 모두 다룬다.
• 현실적인 제약 조건 하에서 양자 컴퓨팅이 고전적 ML 작업—특히 데이터 분석, 최적화, 학습 효율성—을 어떻게 향상시킬 수 있는지 식별하고 분석한다.
• ML 및 AI 기법이 실시간으로 양자 실험을 자동으로 설계하고 최적화하며 제어할 잠재력을 탐색한다. 이는 양자 기술 발전을 촉진한다.
• 학습과 지능의 이론적 기초를 다루며, 양자 강화 학습 에이전트와 양자 AI에 대한 함의를 포함한다.
• ML 분야에서의 양자 우월성의 실현 가능성과 한계를 평가하며, 표본 복잡도, 계산 실행 시간, 실용적 구현 과제를 포함한다.

제안 방법

• 양자 기계 학습(QML)에 관한 이론적 및 실험적 연구를 체계적으로 검토하고 통합하며, 양자 정보 이론, 계산 학습 이론, 강화 학습 프레임워크에서 유래한 자료를 활용한다.
• 분류, 회귀, 하미르토니안 추정과 같은 고전적 ML 작업을 가속화하기 위해 앰플리튜드 증폭, 양자 위상 추정, 애디아바틱 최적화와 같은 양자 알고리즘을 적용한다.
• 양자 데이터 처리와 학습 능력 향상을 위해 양자 신경망, 양자화된 호프필드 네트워크, 양자 서포트 벡터 머신과 같은 양자 강화 모델을 개발한다.
• 고전적 강화 학습 패러다임을 양자 프레임워크로 변환하여, 양자 시스템과의 상호작용 학습을 위한 양자 에이전트-환경 모델을 도입한다.
• 양자 액세스 모델 하에서 표본 복잡도와 일반화 오차 한계에 대한 양자 우월성을 공식화하기 위해 계산 학습 이론(PAC 학습 등)을 활용한다.
• 감독 및 비감독 학습과 같은 ML 기법을 양자 제어 프로토콜에 통합하여, 실시간으로 양자 실험과 상태 준비를 최적화한다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅이 분류, 회귀, 군집과 같은 핵심 기계 학습 작업에 얼마나 빠른 속도 향상을 제공할 수 있는가?
• RQ2 기계 학습 및 AI 기법을 사용하여 실시간으로 양자 실험을 자동으로 설계하고 최적화하며 제어할 수 있는가?
• RQ3 학습 효율성에서의 양자 우월성의 이론적 한계는 무엇인가? 특히 표본 복잡도와 일반화 측면에서 말이다.
• RQ4 고전적 학습 개념—예를 들어 개념 학습, 일반화, 정책 학습—은 어떻게 양자 영역으로 일반화될 수 있는가?
• RQ5 양자 강화 학습 에이전트가 상호작용 환경에서 고전적 에이전트를 능가할 수 있으며, 이러한 환경에서의 기본적인 양자 우월성은 무엇인가?

주요 결과

• 일부 학습 문제, 특히 양자 PAC 학습에서, 필요한 학습 샘플 수가 입력 크기의 비선형적으로 스케일링되는 경우, 양자 알고리즘이 표본 복잡도에서 증명 가능한 속도 향상을 제공한다.
• 양자 강화 학습 에이전트는 상태-행동 공간 탐색에서 중첩과 얽힘 덕분에 특정 상호작용 환경에서 더 빠른 수렴과 더 나은 정책 최적화를 달성할 수 있다.
• 암함수 인코딩을 통해 양자 모델은 더 적은 큐비트로 고차원 데이터를 처리할 수 있어, 고전적 대비 학습 능력이 크게 향상된다.
• 양자 신경망과 양자화된 호프필드 네트워크는 양자 상태를 활용하여 패턴 인식 작업에서 더 높은 기억 용량과 향상된 일반화 성능을 보여준다.
• 양자 위상 추정 및 애디아바틱 최적화 기법은 양자 미세측정 및 시뮬레이션에 핵심적인 하미르토니안 추정 및 기저 상태 준비에서 더 빠른 수렴을 가능하게 한다.
• ML 기반 제어 프로토콜은 노이즈가 있는 환경에서 양자 게이트 시퀀스 최적화와 양자 시스템 안정화에 성공적으로 적용되었으며, 근접한 양자 장치에서 실용적 유용성을 입증했다.