[논문 리뷰] On establishing learning separations between classical and quantum machine learning with classical data

Casper Gyurik, Vedran Dunjko|arXiv (Cornell University)|2022. 08. 12.

Quantum Computing Algorithms and Architecture인용 수 9

한 줄 요약

이 논문은 랜덤 검증 가능 함수와 복잡도 클래스 가정에 기반한 두 가지 일반적인 체크리스트를 제안하며, 고전적 데이터 기반 기계학습에서 증명 가능한 양자 우월성을 입증하기 위한 충분조건을 규명한다. 이는 미묘한 정의적 변화가 학습 분리에 어떻게 영향을 미치는지 명확히 하고, 기존의 및 잠재적인 양자-고전적 학습 분리 사례에 대해 체크리스트를 적용한다.

ABSTRACT

Despite years of effort, the quantum machine learning community has only been able to show quantum learning advantages for certain contrived cryptography-inspired datasets in the case of classical data. In this note, we discuss the challenges of finding learning problems that quantum learning algorithms can learn much faster than any classical learning algorithm, and we study how to identify such learning problems. Specifically, we reflect on the main concepts in computational learning theory pertaining to this question, and we discuss how subtle changes in definitions can mean conceptually significantly different tasks, which can either lead to a separation or no separation at all. Moreover, we study existing learning problems with a provable quantum speedup to distill sets of more general and sufficient conditions (i.e., ``checklists'') for a learning problem to exhibit a separation between classical and quantum learners. These checklists are intended to streamline one's approach to proving quantum speedups for learning problems, or to elucidate bottlenecks. Finally, to illustrate its application, we analyze examples of potential separations (i.e., when the learning problem is build from computational separations, or when the data comes from a quantum experiment) through the lens of our approach.

연구 동기 및 목표

• 고전적 데이터 기반 기계학습에서의 양자 우월성을 증명하는 데 오랫동안 해결되지 않은 과제를 다루며, 오직 인위적인 암호 기반 데이터셋에서만 그러한 분리가 관찰된 바 있다.
• 계산의 어려움과 학습의 어려움 사이의 개념적 차이를 명확히 하여, 학습 분리를 정의할 때 자주 발생하는 혼동을 피하기 위함이다.
• 고전적 학습자와 양자 학습자 간의 학습 분리를 증명하는 데 유용한 일반적이고 충분한 조건(즉, '체크리스트')를 도출함으로써 증명 과정을 단순화하고자 한다.
• 기존의 학습 분리 사례와 잠재적인 학습 분리 사례에 이러한 체크리스트를 적용하여 기존 증명에서 누락된 단계나 병목 현상을 파악한다.
• 미래 연구를 이끌기 위해 실질적인 고전적 데이터 환경에서 증명 가능한 양자 가속화를 얻을 가능성이 더 높은 문제들을 특정한다.

제안 방법

• 랜덤 검증 가능 함수에 기반한 체크리스트인 정리 3을 제안하여, 데이터를 효율적으로 생성할 수 있을 경우 학습 분리를 식별한다.
• 계산 복잡도 클래스(BQP, BPP, PH 등)를 포함한 체크리스트인 정리 4를 도입하여, 데이터가 양자 실험에서 유래할 경우의 분리를 평가한다.
• 계산 학습 이론의 개념(PAC 학습, 함수 평가의 어려움 등)을 사용하여, 양자 학습자가 고전적 학습자보다 우월해질 수 있는 조건을 체계적으로 정의한다.
• [LAT21]과 [SG04]의 기존 학습 분리를 분석하여 체크리스트의 타당성과 적용 가능성을 검증한다.
• 계산 분리나 양자로 생성된 데이터를 기반으로 한 잠재적 학습 문제에 체크리스트를 적용하여, 분리가 성립하지 않는 이유를 진단한다.
• 고전적 학습자가 데이터 접근을 통해 기존에는 계산적으로 비가능한 함수를 계산할 수 있음을 드러내어, 학습 분리를 증명하는 데 있어 핵심적인 병목 현상을 밝혀낸다.

실험 결과

연구 질문

• RQ1 학습의 어려움과 계산의 어려움 사이의 정의적 차이가 유효하거나 비유효한 학습 분리를 어떻게 유도하는가?
• RQ2 고전적 데이터로 훈련된 양자 기계학습 알고리즘이 고전적 학습자보다 반드시 승리할 수 있는 조건은 무엇인가?
• RQ3 어떤 학습 문제에 증명 가능한 양자 우월성을 위한 필수 조건이 포함되어 있는지 체계적으로 식별하는 방법은 무엇인가?
• RQ4 왜 일부 유망해 보이는 학습 문제(예: 양자 회로나 양자 데이터를 기반으로 한 문제)는 증명 가능한 분리를 도출하지 못하는가?
• RQ5 데이터 접근은 고전적 학습자가 일반적으로 계산적으로 비가능한 함수를 평가하는 데 어떤 역할을 하는가?

주요 결과

• 정리 3과 정리 4에 제시된 체크리스트는 고전적 학습자와 양자 학습자 간의 학습 분리를 증명하기 위한 일반적이고 충분한 조건을 제공한다.
• 정리 3의 체크리스트는 [LAT21]과 [SG04]에서 알려진 두 가지 학습 분리를 성공적으로 포괄하여 그 적용 가능성을 검증한다.
• 고전적 학습자는 데이터 접근을 통해 기존에는 계산적으로 비가능한 함수를 계산할 수 있으며, 이는 학습 분리를 증명하는 데 있어 주요 장애물이다.
• 학습 문제가 계산 분리나 양자로 생성된 데이터를 기반으로 하여 직관적으로 유망해 보일지라도, 체크리스트에 핵심 조건이 누락되어 있으면 증명 가능한 분리는 성립하지 않는다.
• PAC 학습 프레임워크는 이론적 통찰을 제공하지만 실제 기계학습에 직접적인 적용은 제한적이다. 고정된 크기의 데이터셋과 경험적 성능가 주도하기 때문이다.
• 이론적 학습 분리는 실질적 우월성을 보장하지 않으며, 실제 성능은 데이터셋 크기, 일반화 능력, 알고리즘 구현 방식 등에 따라 달라지며, 단지 점근적 스케일링만으로는 결정되지 않는다.