[논문 리뷰] Quantum Circuit Parameters Learning with Gradient Descent Using Backpropagation

Masaya Watabe, Kodai Shiba외 3명|arXiv (Cornell University)|2019. 10. 31.

Quantum Computing Algorithms and Architecture참고 문헌 37인용 수 7

한 줄 요약

이 논문은 NISQ 시대의 변분 양자 회로에서 파라미터 최적화를 위한 기울기 하강 알고리즘과 역전파를 제안한다. 고전적 역전파 기법을 사용해 양자 회로 파라미터를 통해 기울기를 효율적으로 계산함으로써, 수렴 속도를 가속화하고 기존의 검색 기반 접근 방식과 비교해 유사하거나 높은 테스트 정확도를 달성하며 훈련 속도를 크게 향상시킨다.

ABSTRACT

Quantum computing has the potential to outperform classical computers and is expected to play an active role in various fields. In quantum machine learning, a quantum computer has been found useful for enhanced feature representation and high dimensional state or function approximation. Quantum-Classical hybrid algorithms are proposed in recent years for this purpose under the Noisy-Intermediate Scale Quantum computer (NISQ) environment. Under this scheme, the role played by classical computer is the parameter tuning, parameter optimization, and parameter update for the quantum circuit. In this paper, we propose a gradient descent based backpropagation algorithm that can efficiently calculate the gradient in parameter optimization and update the parameter for quantum circuit learning, which outperforms the current parameter search algorithms in terms of computing speed while presents the same or even higher test accuracy.

연구 동기 및 목표

• NISQ 제약 조건 하에서 변분 양자 회로의 느린 파라미터 최적화 문제를 해결하기 위해.
• 양자 회로 파라미터를 위한 기울기를 효율적으로 계산하는 고전적 최적화 프레임워크를 개발하기 위해.
• 역전파 기반 훈련을 통해 양자 기계학습 모델의 수렴 속도를 빠르게 하기 위해.
• 속도와 테스트 정확도 측면에서 기존의 전통적 파라미터 검색 알고리즘을 초월하기 위해.
• 하이브리드 양자-고전적 학습 시스템에서의 파라미터 튜닝을 위한 확장 가능하고 효율적인 방법을 제공하기 위해.

제안 방법

• 비용 함수의 각 파라미터에 대한 기울기를 계산하기 위해, 파라미터가 포함된 양자 회로의 게이트를 통해 역전파를 적용한다.
• 수치 미분을 피하기 위해 기울기를 분석적으로 계산하기 위해 파라미터 이동 규칙을 활용한다.
• 표준 확률적 또는 배치 기울기 하강을 사용해 고전적 최적화 루프에 기울기 계산을 통합한다.
• 이 방법은 임의의 파라미터가 포함된 양자 회로를 지원하며 기존의 양자 시뮬레이션 백엔드와 호환된다.
• 기울기 가능 양자 회로 프레임워크를 사용해 엔드 투 엔드 훈련을 가능하게 한다.
• 이 방법은 변분 양자 알고리즘에서 효율적인 초파rameter 튜닝과 모델 수렴을 가능하게 한다.

실험 결과

연구 질문

• RQ1 역전파가 변분 양자 회로의 파라미터 최적화에 효과적으로 적용될 수 있는가?
• RQ2 제안된 기울기 기반 방법은 기존의 검색 기반 최적화와 비교해 훈련 속도에서 어떻게 다를까?
• RQ3 파라미터 이동 규칙을 통한 분석적 기울기 사용이 양자 회로 학습의 수렴과 정확도를 향상시키는가?
• RQ4 기존 접근 방식과 비교해 훈련 시간을 단축하면서도 테스트 정확도를 유지하거나 향상시킬 수 있는가?
• RQ5 노이즈가 있는 중간 규모 양자 환경에서 역전파 기반 최적화의 확장성과 내구성은 어떠한가?

주요 결과

• 제안된 역전파 기반 기울기 하강 방법은 기존의 전통적 파라미터 검색 알고리즘보다 더 빠른 수렴을 달성한다.
• 기본 최적화 기법과 비교해 테스트 정확도를 유지하거나 향상시킨다.
• 파라미터 이동 규칙을 통한 기울기 계산은 수치 근사 없이 정밀하고 효율적인 최적화를 가능하게 한다.
• 알고리즘은 모델 성능을 유지하면서도 훈련 시간에 상당한 가속을 보이며, 양자 기계학습 과제에서 성능을 유지한다.
• 이 방법은 다양한 파라미터가 포함된 양자 회로와 기존의 하이브리드 양자-고전적 프레임워크에 통합 가능하다.
• 실험 결과는 랜덤 또는 격자 기반 검색보다 속도와 최종 모델 정확도 측면에서 모두 우수한 성능을 보였다.