[논문 리뷰] Provable superior accuracy in machine learned quantum models

Chengran Yang, Andrew J. P. Garner외 6명|arXiv (Cornell University)|2021. 05. 30.

Quantum Computing Algorithms and Architecture참고 문헌 52인용 수 5

한 줄 요약

이 논문은 고전적 시계열 데이터에서 차원 축소된 양자 모델을 구성하는 기계학습 알고리즘을 제안하며, 동일한 메모리 제약 조건 하에서 어떤 고전적 모델보다 증명 가능한 높은 예측 정확도를 달성한다. 이 방법은 양자 메모리를 활용해 인과 상태를 더 효율적으로 인코딩하여, IBM의 'ibmq athens'와 같은 노이즈가 있는 근접한 양자 하드웨어에서도 통계적으로 유의미한 양자 우월성을 보여준다.

ABSTRACT

In modelling complex processes, the potential past data that influence future expectations are immense. Models that track all this data are not only computationally wasteful but also shed little light on what past data most influence the future. There is thus enormous interest in dimensional reduction-finding automated means to reduce the memory dimension of our models while minimizing its impact on its predictive accuracy. Here we construct dimensionally reduced quantum models by machine learning methods that can achieve greater accuracy than provably optimal classical counterparts. We demonstrate this advantage on present-day quantum computing hardware. Our algorithm works directly off classical time-series data and can thus be deployed in real-world settings. These techniques illustrate the immediate relevance of quantum technologies to time-series analysis and offer a rare instance where the resulting quantum advantage can be provably established.

연구 동기 및 목표

• 고전적 시계열 데이터에서 차원 축소된 양자 모델을 구성하는 방법을 개발하여, 동일한 예측 정확도에서 고전적 모델을 초월하는 것.
• 메모리가 제한된 조건에서 양자 모델이 증명 가능한 최적의 고전적 모델보다 더 높은 정확도를 달성할 수 있음을 보여주는 것.
• 실험 데이터에서 직접 양자 모델을 추론할 수 있는 알고리즘 프레임워크를 제공하여 실세계 적용을 가능하게 하는 것.
• 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어를 사용하여 현실적인 환경에서의 양자 우월성을 검증하는 것.
• 기본 확률 과정의 비마르코프성과 함께 양자 우월성이 증가함을 입증하는 것.

제안 방법

• 알고리즘은 고전적 시계열 데이터와 지정된 양자 메모리 차원을 입력으로 받아, 메모리 제약 조건 하에서 미래 결과를 예측하는 양자 기계를 학습한다.
• 과거 이력에서 양자 상태로 매핑하는 기계학습 접근법을 사용하여, 양자 메모리의 차원을 고려하면서 예측 오차를 최소화한다.
• 인과 상태를 양자 상태 준비 및 유니터리 진동을 통해 식별함으로써 최적의 예측 정밀도를 확보하는 방식으로 양자 모델을 구축한다.
• 인과 상태를 융합하여 조밀한 표현으로 통합한 후, 단일성 예측을 보장하기 위해 유니플라라이제이션을 수행함으로써 사전 모델을 형성한다.
• 예측 오차를 최소화하기 위해, 향후 $κ$개의 출력 통계를 최적화함으로써 $κ$-유니플라라이제이션 사전 모델 구축 방식을 사용한다.
• 최종 모델은 IBM 'ibmq athens' 양자 프로세서에 구현되고 테스트되어 노이즈가 있는 현실 조건 하에서 성능을 검증한다.

실험 결과

연구 질문

• RQ1 메모리가 엄격히 제한된 조건에서 양자 모델이 고전적 모델보다 더 높은 예측 정확도를 달성할 수 있는가?
• RQ2 노이즈가 있는 실제 양자 하드웨어 환경에서도 양자 우월성이 유지되는가?
• RQ3 모델링하는 확률 과정의 비마르코프성과 함께 양자 우월성은 어떻게 변화하는가?
• RQ4 완전한 양자 과정 톰그래피가 필요 없이 기계학습 알고리즘이 고전적 시계열 데이터에서 직접 양자 모델을 추론할 수 있는가?
• RQ5 예측 정확도 측면에서 증명 가능한 최적성을 확보한 차원 축소된 양자 모델을 체계적으로 구성할 수 있는 방법이 있는가?

주요 결과

• 제안된 양자 모델은 동일한 메모리 용량을 가진 모든 고전적 모델보다 유의미하게 높은 예측 정확도를 달성하여 증명 가능한 양자 우월성을 보여준다.
• 양자 우월성은 이론적 수준을 넘어서 실험적으로도 관측 가능하다: 노이즈가 있는 환경에서도 IBM 'ibmq athens' 양자 프로세서에서 통계적으로 유의미한 정확도 향상이 측정되었다.
• 양자 우월성은 과정의 비마르코프성과 함께 증가하며, 메모리 의존성이 높을수록 양자 메모리의 이점이 더 크게 나타남을 시사한다.
• 알고리즘은 첫 $κ$개의 향후 출력을 최적화하여 왜곡을 최소화하는 $κ$-유니플라라이제이션 양자 모델을 성공적으로 구성하여, 결정론적이고 정확한 예측을 보장한다.
• 이 방법은 원시 고전적 데이터에서 직접 양자 모델을 추론할 수 있어, 신경과학, 금융, 지구물리학 등 다양한 분야에서 실세계 시계열 분석에 적용 가능하다.
• 실험 결과는 이론적 양자 모델과 노이즈가 있는 양자 하드웨어 구현 간에 밀도 있는 일치를 보이며, 현실 조건 하에서의 양자 우월성의 강건성을 확인한다.