[논문 리뷰] Quantum algorithms for supervised and unsupervised machine learning

Seth Lloyd, Masoud Mohseni외 1명|arXiv (Cornell University)|2013. 07. 01.

Quantum Computing Algorithms and Architecture참고 문헌 5인용 수 563

한 줄 요약

이 논문은 양자 랜덤 액세스 메모리(qRAM)와 양자 선형 대수 기법을 활용하여 고전적 방법에 비해 지수적 속도 향상을 달성하는 양자 알고리즘을 제안한다. 이는 지도 학습 및 비지도 학습 기반의 기계 학습에 적용되며, 클러스터 할당과 k-means 클러스터링을 O(log(MN)) 시간에 수행할 수 있게 해주어 고차원의 '빅 양자 데이터'를 효율적으로 처리하고 개인정보 보호 기능을 강화한다.

ABSTRACT

Machine-learning tasks frequently involve problems of manipulating and classifying large numbers of vectors in high-dimensional spaces. Classical algorithms for solving such problems typically take time polynomial in the number of vectors and the dimension of the space. Quantum computers are good at manipulating high-dimensional vectors in large tensor product spaces. This paper provides supervised and unsupervised quantum machine learning algorithms for cluster assignment and cluster finding. Quantum machine learning can take time logarithmic in both the number of vectors and their dimension, an exponential speed-up over classical algorithms.

연구 동기 및 목표

• 고차원 벡터와 대규모 데이터셋을 포함하는 기계 학습 작업에 대해 지수적 속도 향상을 제공하는 양자 알고리즘을 개발한다.
• 벡터 수와 차원 수에 따라 다항식적으로 증가하는 고전적 알고리즘의 계산 병목 현상을 해결한다.
• 양자 계산을 활용하여 효율적인 지도 학습 기반 클러스터 할당과 비지도 학습 기반 k-means 클러스터링을 실현한다.
• 원본 데이터베이스에 대한 쿼리 수를 제한함으로써 양자 기계 학습이 데이터 프라이버시에 어떤 방식으로 기여할 수 있는지 탐색한다.

제안 방법

• 고전적 데이터를 O(log N) 시간 내에 양자 상태로 로드하기 위해 양자 랜덤 액세스 메모리(qRAM)를 사용하여 고차원 벡터의 중첩을 구현한다.
• 양자 푸리에 변환과 양자 선형 시스템 알고리즘을 활용해 양자 상태에 대한 후처리를 poly(log N) 시간 내에 수행한다.
• 양자 위상 추정 알고리즘을 적용하여 O(log N) 시간 내에 양자 상태 간의 내적과 거리를 계산함으로써 고전적 샘플링 대비 지수적 속도 향상을 달성한다.
• 양자 어드비틱 알고리즘을 사용해 클러스터 할당을 찾는 데 O(k log k MN) 시간에 작동하는 루이의 k-means 알고리즘의 양자 버전을 개발한다.
• 다중 복사본의 양자 상태와 에르미트 연산자를 사용해 비선형 거리 측정법으로 일반화하여 고차 다항 거리 측정을 가능하게 한다.
• 양자 수세기 알고리즘을 사용해 정밀도 ε로 연산자의 기대값을 O(ε⁻¹ q log N) 단계 내에 추정한다. 여기서 q는 상태 복사본의 수이다.

실험 결과

연구 질문

• RQ1 고차원 공간에서의 벡터 분류 및 클러스터링 작업에 대해 양자 알고리즘이 고전적 알고리즘에 비해 지수적 속도 향상을 달성할 수 있는가?
• RQ2 양자 랜덤 액세스 메모리(qRAM)를 어떻게 활용하여 고전적 데이터를 양자 형태로 효율적으로 로드하고 처리할 수 있는가?
• RQ3 큰 고차원 벡터 간의 거리와 내적을 계산하는 데 필요한 양자 복잡도는 고전적 방법에 비해 어떻게 다른가?
• RQ4 양자 어드비틱 알고리즘을 사용해 NP-난이도인 k-means 클러스터링 문제를 근사적으로 해결할 수 있고, 이로 인해 양자 속도 향상이 이루어지는가?
• RQ5 양자 기계 학습이 원본 데이터베이스에 대한 쿼리 수를 제한함으로써 데이터 프라이버시를 어느 정도 향상시킬 수 있는가?

주요 결과

• N차원 공간에 있는 M개의 벡터에 대한 클러스터 할당은 양자 컴퓨터에서 O(log(MN)) 시간에 수행되며, 고전적 알고리즘이 poly(MN) 시간이 필요한 것에 비해 지수적 속도 향상을 보인다.
• 양자 어드비틱 알고리즘을 기반으로 한 양자 k-means 알고리즘은 O(k log k MN) 시간에 작동하며, 비지도 클러스터링 작업에 대해 지수적 속도 향상을 제공한다.
• 양자 알고리즘은 고차원 벡터 간의 내적과 거리를 O(log N) 시간 내에 추정할 수 있으며, 고전적 방법은 O(poly(N)) 시간이 필요하다.
• qRAM의 사용은 O(log N) 단계 내에 고전적 데이터를 포함하는 양자 상태를 준비할 수 있게 해주며, 지수적으로 큰 벡터 공간에 대한 효율적 액세스를 가능하게 한다.
• 양자 기계 학습은 개인정보 보호 기능을 향상시킨다: 크기가 O(MN)인 데이터베이스를 쿼리하기 위해 오직 O(log(MN)) 큐비트만 필요하며, 이는 데이터의 지수적으로 작은 부분만 노출되게 한다.
• 관측 가능한 우주의 전체 정보량(~2³⁰⁰ 비트)입니다라도, 소형 양자 컴퓨터는 수백 번의 연산 내에 데이터를 표현하고 분석할 수 있다.