[논문 리뷰] Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning

Nathan Wiebe, Ashish Kapoor외 1명|arXiv (Cornell University)|2014. 01. 09.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 내적과 유클리드 거리 추정을 통해 일관된 양자 거리 계산과 앰플리튜드 추정을 활용하여 질의 복잡도를 다항식 감소시키는 양자 알고리즘을 제시한다. 주요 기여는 고차원 데이터에 적용 가능하고 추정 오차에 강건한 고전적 몬테카를로 방법 대비 거의 제곱근 수준의 속도 향상이다.

ABSTRACT

We present several quantum algorithms for performing nearest-neighbor learning. At the core of our algorithms are fast and coherent quantum methods for computing distance metrics such as the inner product and Euclidean distance. We prove upper bounds on the number of queries to the input data required to compute these metrics. In the worst case, our quantum algorithms lead to polynomial reductions in query complexity relative to the corresponding classical algorithm. In certain cases, we show exponential or even super-exponential reductions over the classical analog. We study the performance of our quantum nearest-neighbor algorithms on several real-world binary classification tasks and find that the classification accuracy is competitive with classical methods.

연구 동기 및 목표

• 고전적 방법에 비해 질의 복잡도를 감소시키는 양자 알고리즘을 개발하는 것.
• 양자 오ракูล을 사용하여 고차원 벡터 간의 유클리드 거리와 내적을 빠르고 일관적으로 계산할 수 있도록 하는 것.
• 측정에 의해 유도되는 디코herence를 피하면서 앰플리튜드 추정을 거리 계산과 통합하여 일관된 양자 서브루틴을 조합할 수 있도록 하는 것.
• 실세계 데이터셋에서 거리 추정 오차에 대한 양자 근접 이웃 분류기의 강건성(내성)을 입증하는 것.
• 질의 복잡도 감소를 통해 비지도 학습으로의 확장을 가능하게 하는 양자 k-평균 클러스터링을 제공하는 것.

제안 방법

• 학습 및 테스트 데이터 벡터에 액세스하기 위해 양자 오라클 O와 F를 사용하여 일관된 상태 준비와 앰플리튜드 강화를 가능하게 한다.
• 거리 계산은 두 가지 방법을 통해 수행된다: '내적 방법'은 양자 상태의 내적을 사용하고, '유클리드 방법'은 제곱 차이의 앰플리튜드 추정을 사용한다.
• 측정 없이 일관된 앰플리튜드 추정을 적용하여 중첩 상태가 붕괴되는 것을 방지하고, 근접 이웃 탐색을 위한 그로버 기반 검색과 통합할 수 있도록 한다.
• 거리 추정 과정은 유한한 오차 ε과 성공 확률 δ₀를 고려하여 설계되어 실용적 응용에서 강건성을 확보한다.
• k-평균 클러스터링의 경우, 동일한 거리 추정 프레임워크를 사용해 클러스터 할당을 계산한 후, 양자 상태 재구성 기반으로 중심점 재계산을 수행한다.
• 단일 k-평균 반복의 질의 복잡도는 O(M√k log k / ε)로 스케일링되며, kN ≫ M일 경우 고전적 O(kMN)에 비해 상당한 향상이 이루어진다.

실험 결과

연구 질문

• RQ1 고전적 몬테카를로 방법에 비해 근접 이웃 분류에 대해 양자 알고리즘이 질의 복잡도를 다항식 감소시킬 수 있는가?
• RQ2 측정에 의해 유도되는 디코herence 없이 일관된 양자 거리 계산과 앰플리튜드 추정을 통합할 수 있는가?
• RQ3 실세계 데이터셋에서 거리 추정 오차에 대해 양자 근접 이웃 분류기는 얼마나 강건한가?
• RQ4 동일한 양자 거리 추정 프레임워크를 k-평균 클러스터링과 같은 비지도 학습 작업으로 확장할 수 있는가?
• RQ5 양자 k-평균 클러스터링의 질의 복잡도 스케일링은 어떻게 되며, 고전적 O(kMN) 복잡도와 비교해 볼 때 어떻게 되는가?

주요 결과

• 양자 근접 이웃 알고리즘은 고전적 몬테카를로 방법에 비해 질의 복잡도 측면에서 거의 제곱근 수준의 속도 향상을 달성하며, 질의 수가 O(M√k log k / ε)로 스케일링된다.
• 알고리즘은 거리 추정에 유한한 오차 ε이 존재하더라도 정확도를 유지하여 앰플리튜드 추정의 노이즈에 강건함을 입증한다.
• k-평균 클러스터링의 경우, 단일 반복의 질의 복잡도는 O(M√k log k / ε)로 제한되며, kN ≫ M일 경우 고전적 O(kMN)보다 상당히 우수하다.
• 이 방법은 양자 시뮬레이터에서 실시간으로 생성된 데이터의 분류를 가능하게 하여, 고전적으로는 기능하지 않는 급격히 큰 특징 데이터베이스가 필요한 작업을 수행할 수 있다.
• 실세계 이진 분류 작업에 대한 수치적 결과는 양자 분류기가 고전적 방법과 경쟁 가능한 분류 정확도를 달성함을 보여준다.
• 이 프레임워크는 양자 시뮬레이션에서 동적이고 인스턴스 기반의 특징 추출을 허용함으로써 본질적으로 양자 기반 머신러닝을 지원하며, 고전적으로는 구현 불가능한 새로운 유형의 학습을 가능하게 한다.