[논문 리뷰] No Free Lunch for Quantum Machine Learning

Kyle Poland, Kerstin Beer외 1명|arXiv (Cornell University)|2020. 03. 31.

Quantum Computing Algorithms and Architecture참고 문헌 4인용 수 12

한 줄 요약

이 논문은 양자 기계학습(QML)으로 고전적 무료 럭키**(NFL)** 정리의 일반화를 시도하며, 양자 예제를 기반으로 훈련한 유니터리 양자 학습 장치가 무작위 입력을 잘못 분류할 확률인 평균 양자 위험에 대한 기본 하한을 설정한다. 유니터리 군에 대한 하르 측도 적분을 사용하여, 모든 양자 학습 알고리즘에 일반적으로 적용 가능한 날카운 하한을 유도한다. 이는 최적의 훈련을 해도 어떤 QML 모델도 모든 양자 작업에서 다른 모델을 항상 승리할 수 없음을 보여준다. 이 하한은 최근에 제안된 QNN 아키텍처를 사용하여 검증되었으며, 수치 시뮬레이션과 밀도 있는 일치를 보였다.

ABSTRACT

The ultimate limits for the quantum machine learning of quantum data are investigated by obtaining a generalisation of the celebrated No Free Lunch (NFL) theorem. We find a lower bound on the quantum risk (the probability that a trained hypothesis is incorrect when presented with a random input) of a quantum learning algorithm trained via pairs of input and output states when averaged over training pairs and unitaries. The bound is illustrated using a recently introduced QNN architecture.

연구 동기 및 목표

• 완전히 양자적인 데이터에 대한 양자 기계학습의 궁극적 이론적 한계를 설정하기 위해.
• 고전적 무료 럭키**(NFL)** 정리를 양자 영역으로 일반화하여, 특히 양자 예제를 통한 학습에 대해.
• 양자 데이터에 훈련된 양자 학습 알고리즘에 대한 평균 양자 위험에 하한을 도출하기 위해.
• 양자 신경망 및 기타 QML 아키텍처의 성능 평가를 위한 보편적 기준을 제공하기 위해.
• 최근에 제안된 QNN 아키텍처를 사용하여 이 하한의 실용적 관련성을 입증하기 위해.

제안 방법

• 모든 가능한 유니터리 과정과 훈련 세트에 대한 평균 양자 위험을 분석하여 고전적 NFL 정리의 양자 일반화를 유도하기 위해.
• 유니터리 군에 대한 하르 측도 적분을 사용하여, 유니터리 연산자의 추적의 기대값을 계산하고, 불변성 성질을 활용하기 위해.
• 유니터리 행렬에 대해 ∫dU |tr(U†V)|² = n² + 1 인 식을 적용하여, 훈련 쌍과 유니터리의 균일 샘플링 하에 평균 양자 위험을 계산하기 위해.
• 양자 학습 장치를 입력 및 출력 양자 상태 쌍에 훈련된 유니터리 과정으로 모델링하고, 가설을 유니터리 변환으로 간주하기 위해.
• 이론적 하한을 수치적으로 검증하기 위해 변분 QNN 아키텍처를 구축하고, 훈련 데이터를 기반으로 평균 출력 일치도를 최적화하기 위해.
• 무작위 테스트 입력을 샘플링하고 잘못된 예측의 비율을 측정하여 양자 위험을 실증적으로 평가하기 위해.

실험 결과

연구 질문

• RQ1 양자 데이터에 훈련된 어떤 양자 학습 알고리즘에 대해서도 평균 양자 위험의 기본 하한은 무엇인가?
• RQ2 고전적 NFL 정리는 양자 환경, 특히 유니터리 과정과 양자 예제에 대해 일반화될 수 있는가?
• RQ3 유도된 양자 NFL 하한은 실제 양자 신경망 아키텍처의 성능와 어떻게 비교되는가?
• RQ4 양자 신경망은 양자 위험의 이론적 하한에 얼마나 가까이 접근할 수 있는가?
• RQ5 하르 측도는 양자 학습 알고리즘에 대한 보편적 하한을 유도하는 데 어떤 역할을 하는가?

주요 결과

• 평균 양자 위험에 대한 보편적 하한은 (1 - 1/d)(1 - n/d)로 유도되었으며, 여기서 d는 힐베르트 공간의 차원이고 n은 훈련 쌍의 수이다.
• 이 하한은 날카롭고 특정 QML 아키텍처에 의존하지 않으며, 모든 양자 학습 알고리즘에 대한 기본 한계를 나타낸다.
• QNN 아키텍처를 사용한 수치 시뮬레이션 결과, 충분한 훈련 데이터가 있을수록 평균 양자 위험이 이론적 하한에 매우 가까이 수렴하는 것으로 나타났다.
• 이론적 하한과 수치 결과 간의 격차는 훈련의 비최적 일치도 때문이며, QNN가 100% 평균 일치도로 훈련되지 않았음을 시사한다.
• 양자 NFL 하한은 고전적 NFL 하한보다 더 날카롭게, 양자 시스템의 강화된 표현력과 제약 조건을 반영한다.
• 유도 과정은 하르 측도 적분에 의존하며, 훈련 쌍과 알려지지 않은 유니터리의 균일 샘플링 하에 적용되어 광범위한 일반성을 확보한다.