[논문 리뷰] Quantum Advantage Seeker with Kernels (QuASK): a software framework to speed up the research in quantum machine learning

Francesco Di Marcantonio, Massimiliano Incudini외 2명|arXiv (Cornell University)|2022. 06. 30.

Quantum Computing Algorithms and Architecture참고 문헌 79인용 수 4

한 줄 요약

QuASK는 데이터 처리, 양자 커널 계산 및 결과 분석을 자동화함으로써 양자 머신러닝 연구를 가속화하는 오픈소스 파이썬 프레임워크입니다. PennyLane과의 통합을 통해 기계학습 최신 기법인 학습 가능한, 투영된, 구조 최적화된 커널을 지원하여 시뮬레이터와 실제 NISQ 하드웨어에서 효율적인 실험을 가능하게 하며, 양자 우월성 잠재력을 식별하기 위한 내장 메트릭스를 제공합니다.

ABSTRACT

Exploiting the properties of quantum information to the benefit of machine learning models is perhaps the most active field of research in quantum computation. This interest has supported the development of a multitude of software frameworks (e.g. Qiskit, Pennylane, Braket) to implement, simulate, and execute quantum algorithms. Most of them allow us to define quantum circuits, run basic quantum algorithms, and access low-level primitives depending on the hardware such software is supposed to run. For most experiments, these frameworks have to be manually integrated within a larger machine learning software pipeline. The researcher is in charge of knowing different software packages, integrating them through the development of long code scripts, analyzing the results, and generating the plots. Long code often leads to erroneous applications, due to the average number of bugs growing proportional with respect to the program length. Moreover, other researchers will struggle to understand and reproduce the experiment, due to the need to be familiar with all the different software frameworks involved in the code script. We propose QuASK, an open-source quantum machine learning framework written in Python that aids the researcher in performing their experiments, with particular attention to quantum kernel techniques. QuASK can be used as a command-line tool to download datasets, pre-process them, quantum machine learning routines, analyze and visualize the results. QuASK implements most state-of-the-art algorithms to analyze the data through quantum kernels, with the possibility to use projected kernels, (gradient-descent) trainable quantum kernels, and structure-optimized quantum kernels. Our framework can also be used as a library and integrated into pre-existing software, maximizing code reuse.

연구 동기 및 목표

• 양자 및 고전적 머신러닝 도구 간의 파이프라인 통합을 자동화하여 양자 머신러닝 실험의 복잡성과 오류율을 낮추는 것.
• 사용자가 광범위한 저수준 코드를 작성하지 않고도 양자 커널 방법을 효율적으로 탐색하고 벤치마킹할 수 있도록 하는 것.
• 표준화되고 이론에 기반한 평가 메트릭스를 통해 양자 우월성의 식별을 지원하는 것.
• PennyLane, Qiskit, Braket 등의 기존 양자 소프트웨어 스택과 통합 가능한 모듈식이고 확장 가능한 플랫폼을 제공하는 것.
• 양자 커널 워크플로우를 재사용 가능한 명령줄 및 라이브러리 사용 가능한 프레임워크로 封장함으로써 재현 가능성과 코드 재사용을 촉진하는 것.

제안 방법

• QuASK는 데이터셋 다운로드, 전처리 및 분석을 위한 명령줄 인터페이스를 구현하며, 내장된 양자 커널 추정 기능을 지원합니다.
• 세 가지 양자 커널 계산 방법을 지원합니다: 오버랩 테스트, C-SWAP 테스트, 그리고 헤르미트 연산자 H의 기대값 측정을 통한 투영 커널.
• 유니터리 변환 Uϕ(x)를 사용한 매개변수화된 양자 특징 맵을 구현하며, optax를 통한 기울기 하강법을 통한 학습 가능한 매개변수를 지원합니다.
• 시뮬레이션된 난방 및 유전 알고리즘과 같은 구조 학습 기법을 통합하여 양자 회로 아키텍처를 최적화합니다.
• 기본 양자 프레임워크에 관계없이 독립적이므로, IBM, Rigetti, IonQ, OQC용 PennyLane 플러그인을 통해 시뮬레이터와 실제 NISQ 장치에서 실행이 가능합니다.
• 정렬도, 기하학적 차이, 모델 정확도 등의 메트릭스를 계산하는 메트릭스 모듈을 포함하여, 잠재적 양자 우월성 평가에 핵심적인 지표를 제공합니다.

실험 결과

연구 질문

• RQ1 통합 소프트웨어 프레임워크는 양자 머신러닝 실험의 개발 및 디버깅 오 overhead 를 줄일 수 있는가?
• RQ2 자동화된 양자 커널 계산은 실제 데이터셋에서의 양자 우월성 탐색을 얼마나 빠르게 가속화할 수 있는가?
• RQ3 QuASK는 기울기 기반 및 조합 최적화 기법을 모두 사용하여 양자 커널의 학습 및 최적화를 얼마나 효과적으로 지원할 수 있는가?
• RQ4 하드웨어 노이즈는 양자 커널 성능에 어떤 영향을 미치며, QuASK는 실제 장치에서 이에 대한 시뮬레이션 또는 예측을 얼마나 잘 수행할 수 있는가?
• RQ5 QuASK의 모듈식 설계는 기존 머신러닝 및 양자 소프트웨어 스택과 원활하게 통합되어 재현 가능성과 코드 재사용을 향상시킬 수 있는가?

주요 결과

• 저수준 양자 회로 프로그래밍을 고수준의 재사용 가능한 구성 요소로 추상화함으로써 QuASK는 구현 오류의 가능성을 낮춥니다.
• 프레임워크는 최소한의 사용자 코드로도 투영, 학습 가능한, 구조 최적화된 변형을 포함한 양자 커널의 빠른 프로토타이핑 및 벤치마킹을 가능하게 합니다.
• PennyLane과의 통합을 통해 IBM, Rigetti, IonQ, OQC 장치를 포함한 실제 NISQ 하드웨어에서의 실행이 가능합니다.
• PennyLane 시뮬레이션에서 JAX 가속 기능을 사용함으로써 양자 커널 추정의 성능이 크게 향상됩니다.
• QuASK의 내장 메트릭스—예를 들어 타겟-커널 정렬도와 기하학적 차이—는 잠재적 양자 우월성을 식별하는 정량적 지표를 제공합니다.
• 프레임워크는 고전적 및 양자 특징 맵을 모두 지원하며, 사용자 정의 유니터리 변환 및 최적화 전략에 대한 확장성도 제공합니다.