[논문 리뷰] Quantum-assisted cluster analysis

Florian Neukart, David Von Dollen외 1명|arXiv (Cornell University)|2018. 03. 07.

Machine Learning in Materials Science참고 문헌 7인용 수 6

한 줄 요약

이 논문은 D-Wave 2000Q 양자 처리 장치(QPU)에 비지도 클러스터링 문제를 맵핑하여 이중 비선형 이진 최적화(QUBO) 문제로 공식화함으로써 양자 보조 클러스터링 알고리즘(QACA)을 제안한다. 이 방법은 양자 앤날링을 활용하여 클러스터링의 부분 문제를 해결하여 기존의 고전적 알고리즘과 비교해 유사한 정확도를 달성하면서도, 양자 하드웨어를 기계 학습 워크플로우에 통합하는 가능성을 입증한다. 성능 우월성은 주장하지 않는다.

ABSTRACT

We present an algorithm for quantum-assisted cluster analysis (QACA) that makes use of the topological properties of a D-Wave 2000Q quantum processing unit (QPU). Clustering is a form of unsupervised machine learning, where instances are organized into groups whose members share similarities. The assignments are, in contrast to classification, not known a priori, but generated by the algorithm. We explain how the problem can be expressed as a quadratic unconstrained binary optimization (QUBO) problem, and show that the introduced quantum-assisted clustering algorithm is, regarding accuracy, equivalent to commonly used classical clustering algorithms. Quantum annealing algorithms belong to the class of metaheuristic tools, applicable for solving binary optimization problems. Hardware implementations of quantum annealing, such as the quantum annealing machines produced by D-Wave Systems, have been subject to multiple analyses in research, with the aim of characterizing the technology's usefulness for optimization, sampling, and clustering. Our first and foremost aim is to explain how to represent and solve parts of these problems with the help of the QPU, and not to prove supremacy over every existing classical clustering algorithm.

연구 동기 및 목표

• 기존의 양자 앤날링 하드웨어를 활용해 실용적인 양자 보조 클러스터링 접근법을 개발하기 위해.
• 비지도 클러스터링 문제를 D-Wave 2000Q QPU에 구현 가능한 QUBO 형식으로 맵핑하기 위해.
• 고전적 방법과의 정확도 비교를 통해 양자 보조 클러스터링의 성능을 평가하기 위해.
• 비지도 학습 작업을 위한 기계 학습 파ip라인에 양자 처리 장치를 통합하는 것을 입증하기 위해.

제안 방법

• D-Wave 20000Q QPU의 네이티브 계산 모델과 일치시키기 위해 클러스터링 문제를 이중 비선형 이진 최적화(QUBO) 문제로 재공식화한다.
• QPU의 카이머 구조의 위상적 특성을 활용하여 QUBO 공식화를 해결하기 위해 양자 앤날링을 적용한다.
• 데이터 유사성에서 유도된 에너지 함수를 최소화함으로써 양자 처리를 사용해 클러스터 할당을 최적화한다.
• 표준 기계 학습 워크플로우와의 호환성을 확보하기 위해 데이터 준비 및 클러스터 출력 해석을 위해 고전적 사전 및 사후 처리 단계를 사용한다.
• 기존의 고전적 클러스터링 파이프라인과의 통합이 가능하도록 모듈러한 설계를 한다.

실험 결과

연구 질문

• RQ1 QUBO 공식화를 통해 양자 앤날링 하드웨어가 클러스터링 문제의 일부를 효과적으로 해결하는 데 사용될 수 있는가?
• RQ2 양자 보조 클러스터링의 정확도는 기존의 고전적 클러스터링 알고리즘과 비교해 어떻게 되는가?
• RQ3 양자 하드웨어는 비지도 학습 작업, 예를 들어 클러스터링과 같은 작업을 향상시키거나 지원하는 데 어떤 역할을 하는가?
• RQ4 양자 처리 장치는 실용적인 기계 학습 파이프라인에 얼마나 깊이 통합될 수 있는가?

주요 결과

• QACA 알고리즘은 벤치마크 데이터셋에서 테스트한 결과, 고전적 클러스터링 알고리즘과 동일한 정확도를 달성한다.
• 양자 앤날링 과정은 D-Wave 2000Q 하드웨어에서 QUBO 에너지 함수를 최소화함으로써 최적의 클러스터 할당을 성공적으로 식별한다.
• 이 방법은 전체 양자 우월성을 요구하지 않더라도, 양자 처리 장치를 부분 문제 해결에 사용할 수 있음을 입증한다.
• 적절한 사전 처리를 통해 QUBO 공식화는 더 큰 데이터셋에 대해 모듈러하게 적용 가능하므로 원칙적으로 확장 가능하다.