[논문 리뷰] QuAnt: Quantum Annealing with Learnt Couplings

Marcel Seelbach Benkner, Maximilian Krahn외 4명|arXiv (Cornell University)|2022. 10. 13.

Advanced Neural Network Applications인용 수 4

한 줄 요약

이 논문은 컴퓨터 시각 분야의 조합 최적화 문제에 대해 경사 하강 역전파를 통해 QUBO 형식을 자동으로 학습하는 메타학습 프레임워크 QuAnt를 소개한다. 이는 복잡한 분석적 유도 과정을 회피한다. 신경망을 통해 문제별 QUBO 행렬을 회귀함으로써 QuAnt는 훨씬 적은 큐비트 수요로 효율적인 양자 냉각을 가능하게 하며, 그래프 매칭, 포인트 클라우드 정렬, 3D 회전 추정 등에서 경쟁적인 성능을 달성한다. 특히 노이즈가 있는 환경에서 이전의 양자 방법들을 능가한다.

ABSTRACT

Modern quantum annealers can find high-quality solutions to combinatorial optimisation objectives given as quadratic unconstrained binary optimisation (QUBO) problems. Unfortunately, obtaining suitable QUBO forms in computer vision remains challenging and currently requires problem-specific analytical derivations. Moreover, such explicit formulations impose tangible constraints on solution encodings. In stark contrast to prior work, this paper proposes to learn QUBO forms from data through gradient backpropagation instead of deriving them. As a result, the solution encodings can be chosen flexibly and compactly. Furthermore, our methodology is general and virtually independent of the specifics of the target problem type. We demonstrate the advantages of learnt QUBOs on the diverse problem types of graph matching, 2D point cloud alignment and 3D rotation estimation. Our results are competitive with the previous quantum state of the art while requiring much fewer logical and physical qubits, enabling our method to scale to larger problems. The code and the new dataset will be open-sourced.

연구 동기 및 목표

• 양자 컴퓨터 시각에서 QUBO 형식의 문제별 분석적 유도 과정이 필요 없도록 하는 것.
• 문제에 특화된 QUBO 행렬을 유도하는 대신 데이터로부터 학습함으로써 민첩하고 컴act한 해 인코딩을 가능하게 하는 것.
• 다양한 컴퓨터 시각 문제에 적용 가능한 일반적이고 확장 가능한 프레임워크를 개발하는 것.
• 학습된 QUBO가 고전적 기준선 및 이전의 양자 방법보다 우수한 성능을 보이며, 특히 노이즈가 있는 조건에서 성능 유지 여부를 입증하는 것.
• 대trastive 손실을 통해 양자 냉각기를 신경망의 미분 가능한 레이어로 통합할 수 있도록 하는 것.

제안 방법

• 다층 퍼셉트론(MLP)이 문제 인스턴스 벡터 p로부터 QUBO 행렬 A를 회귀함으로써 엔드 투 엔드 학습을 가능하게 한다.
• 비미분 가능한 양자 냉각 과정을 통한 역전파를 가능하게 하기 위해 대trastive 손실을 사용하며, 솔버를 직접 통한 기울기 계산을 피한다.
• 양자 냉각을 통해 A로 정의된 QUBO의 최소화자 x*를 찾고, 이를 예측된 해로 사용한다.
• 이 방법은 솔버에 종속되지 않으며, 훈련 및 추론 중에 양자 냉각, 시뮬레이티드 냉각 또는 완전 탐색과 모두 호환된다.
• 메타학습 설정을 통해 동일한 유형의 문제 인스턴스 간에 일반화할 수 있도록 MLP를 훈련하며, QUBO 행렬은 네트워크 가중치에 암묵적으로 포함된다.
• 작은 임베딩을 사용하여 밀도 높은 QUBO를 현재 D-Wave 양자 냉각기의 하드웨어 제약 조건에 매핑함으로써 큐비트 오버헤드를 최소화한다.

실험 결과

연구 질문

• RQ1 컴퓨터 시각 문제의 QUBO 형식을 분석적 유도 대신 백프로파게이션을 통해 데이터로부터 학습할 수 있는가?
• RQ2 학습된 QUBO 접근법이 해의 품질과 내구성 측면에서 직접 해 회귀보다 우수한가?
• RQ3 이 프레임워크는 그래프 매칭, 포인트 클라우드 정렬, 회전 추정과 같은 다양한 문제 유형 간에 일반화 가능한가?
• RQ4 기존의 양자 컴퓨터 시각 방법과 비교해 볼 때, 논문의 방법은 논리적 큐비트 및 물리적 큐비트 사용 측면에서 어떻게 확장 가능한가?
• RQ5 학습된 QUBO 접근법은 잘못된 대응 관계나 손상된 포인트 클라우드와 같은 노이즈가 있는 입력 조건에서도 성능을 유지하는가?

주요 결과

• 1%의 잘못된 대응 관계가 있는 조건에서 QuAnt는 고전적 Procrustes 방법보다도 회전 추정에서 승리하며, 노이즈 수준이 증가할수록 이점이 커진다.
• 20%의 잘못된 대응 관계가 있는 그래프 매칭에서 QuAnt는 평균 오차 3.7과 중앙값 3.0을 유지하며, 기준선 및 고전적 방법보다 뚜렷이 뛰어나다.
• 균일한 노이즈 20%가 있는 2D 포인트 세트 정렬에서 QuAnt는 평균 오차 10.3과 중앙값 5.4를 기록하며, 일반 기준선을 능가하고 AQM(상한선)의 성능에 근접한다.
• 9노드 QUBO에 대해 오직 9개의 논리적 큐비트와 14개의 물리적 큐비트만을 요구하여 기존 연구 대비 매우 높은 큐비트 효율성을 보여준다.
• 제거 실험 결과, 고유한 해 손실 또는 MLP 손실을 제거할 경우 성능이 크게 악화됨을 확인하여, 두 구성 요소의 중요성을 입증한다.
• QuAnt는 문제 유형 간에 잘 일반화되며, 재학습 없이도 그래프 매칭, 2D 및 3D 정렬, 회전 추정에서 경쟁 가능한 성능을 달성한다.