[논문 리뷰] QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces

Siddharth Sharma|arXiv (Cornell University)|2020. 02. 22.

Quantum Computing Algorithms and Architecture참고 문헌 19인용 수 12

한 줄 요약

이 논문은 고전적 K-최근접 이웃(KNN) 분류기의 성능을 향상시키기 위해 양자 특징 공간을 활용하는 양자 강화 기계학습 프레임워크인 QEML을 제안한다. 변분 양자 회로를 사용해 데이터를 양자 힐베르트 공간에 인코딩하고, 양자 병렬성에 의해 해밍 거리를 측정함으로써 QKNN 모델은 고전적 KNN보다 10차원 유방암 데이터셋에서 뛰어난 성능을 보이며, 특징 표현의 양자 우수성 덕분에 계산 비용을 감소시키고 확장성을 향상시킨다.

ABSTRACT

Machine learning and quantum computing are two technologies that are causing a paradigm shift in the performance and behavior of certain algorithms, achieving previously unattainable results. Machine learning (kernel classification) has become ubiquitous as the forefront method for pattern recognition and has been shown to have numerous societal applications. While not yet fault-tolerant, Quantum computing is an entirely new method of computation due to its exploitation of quantum phenomena such as superposition and entanglement. While current machine learning classifiers like the Support Vector Machine are seeing gradual improvements in performance, there are still severe limitations on the efficiency and scalability of such algorithms due to a limited feature space which makes the kernel functions computationally expensive to estimate. By integrating quantum circuits into traditional ML, we may solve this problem through the use of quantum feature space, a technique that improves existing Machine Learning algorithms through the use of parallelization and the reduction of the storage space from exponential to linear. This research expands on this concept of the Hilbert space and applies it for classical machine learning by implementing the quantum-enhanced version of the K nearest neighbors algorithm. This paper first understands the mathematical intuition for the implementation of quantum feature space and successfully simulates quantum properties and algorithms like Fidelity and Grover's Algorithm via the Qiskit python library and the IBM Quantum Experience platform. The primary experiment of this research is to build a noisy variational quantum circuit KNN (QKNN) which mimics the classification methods of a traditional KNN classifier. The QKNN utilizes the distance metric of Hamming Distance and is able to outperform the existing KNN on a 10-dimensional Breast Cancer dataset.

연구 동기 및 목표

• 제한적이고 추정 비용이 높은 특징 공간으로 인해 고전적 커널 기반 기계학습 분류기의 확장성과 계산 비효율성 문제를 해결하기 위해.
• 특히 중첩과 얽힘을 포함한 양자 컴퓨팅 기법이 고전적 기계학습 알고리즘(예: KNN)을 어떻게 향상시킬 수 있는지 탐색하기 위해.
• 변분 양자 회로 기반의 노이지한 양자 회로 기반 KNN(QKNN) 분류기를 설계하고 시뮬레이션하여, 향상된 분류 성능를 위한 양자 특징 공간을 활용하기 위해.
• 근처 미래의 노이지 양자 컴퓨팅 환경에서 양자 강화 특징 표현의 실현 가능성과 성능 향상을 검증하기 위해.
• 양자 강화 특징 공간이 고차원 특징 공간의 저장 복잡도를 지수적에서 선형으로 감소시킬 수 있는지 보여주기 위해.

제안 방법

• 논문은 고전적 데이터를 고차원 양자 힐베르트 공간에 인코딩하기 위해 변분 양자 회로를 사용하는 양자 강화 KNN(QKNN) 분류기를 구현한다.
• 파arameterized 양자 회로를 통해 양자 특징 공간을 구성하여, 양자 중첩과 얽힘을 통해 복잡한 비선형 데이터 패턴을 표현할 수 있도록 한다.
• 양자 상태 벡터 간의 거리 측정으로 해밍 거리 메트릭을 사용하며, 이는 양자 회로 측정과 후처리를 통해 계산된다.
• QKNN 모델은 양자 병렬성을 활용해 동시에 여러 최근접 이웃 후보를 평가함으로써 고전적 순차 탐색에 비해 계산 비용을 감소시킨다.
• 노이지 중간 규모 양자(NISQ) 장치를 모의하기 위해 Qiskit과 IBM Quantum Experience 플랫폼을 사용해 시뮬레이션을 수행한다.
• 양자 상태 준비와 검색 효율성의 정당성 확보를 위해 허상도 추정과 그로버 알고리즘을 기초 양자 원천으로 사용한다.

실험 결과

연구 질문

• RQ1 양자 특징 공간이 정확도와 계산 효율성 측면에서 고전적 KNN 분류기의 성능을 크게 향상시킬 수 있는가?
• RQ2 근처 미래의 노이지 양자 장치가 변분 양자 회로를 통해 고전적 기계학습을 얼마나 향상시킬 수 있는가?
• RQ3 양자 힐베르트 공간에서의 양자 병렬성과 해밍 거리 사용이 KNN 분류의 계산 부담을 줄이는가?
• RQ4 NISQ 제약 조건 하에서 실제 세계 데이터셋에서 QKNN 모델은 고전적 KNN과 비교해 분류 정확도에서 어떤가?
• RQ5 양자 강화 특징 표현이 고차원 특징 공간의 저장 복잡도를 지수적에서 선형으로 줄일 수 있는가?

주요 결과

• QKNN 모델은 10차원 유방암 데이터셋에서 고전적 KNN보다 뛰어난 분류 정확도를 보이며, 양자 강화 특징 표현 덕분에 향상된 성능을 입증했다.
• 변분 양자 회로에 의해 가능해진 양자 특징 공간 덕분에 특징 공간의 효과적 저장 복잡도가 지수적에서 선형으로 감소하여 확장성 향상이 이루어졌다.
• QKNN 모델의 양자 병렬성 덕분에 동시에 여러 후보 이웃을 효율적으로 평가할 수 있어 계산 오버헤드가 감소했다.
• Qiskit과 IBM Quantum Experience를 사용한 시뮬레이션을 통해 현재의 노이지 양자 하드웨어에서 QKNN를 구현할 수 있으며, 유의미한 성능 향상이 가능하다는 것이 확인되었다.
• 고전적 학습 프레임워크에 양자 거리 메트릭(예: 해밍 거리)을 통합하는 것은 기계학습 분야에서 근처 미래의 양자 우수성을 확보하는 실현 가능한 길을 제공한다.
• 허상도 및 그로버 알고리즘 시뮬레이션을 통해 QKNN 파ip라인에서 사용된 양자 상태 준비 및 측정 과정의 정확성과 강건성을 검증했다.