[논문 리뷰] Quantum computing for pattern classification

Maria Schuld, Ilya Sinayskiy외 1명|arXiv (Cornell University)|2014. 12. 11.

Quantum Computing Algorithms and Architecture참고 문헌 26인용 수 5

한 줄 요약

이 논문은 Trugenberger의 양자 해밍 거리 계산 기반으로, 초위상과 확률적 증폭을 활용하여 거리 가중 k-가 ближайший 이웃 접근 방식을 통해 이진 특징 벡터를 분류하는 양자 패턴 분류 알고리즘을 제안한다. 이 방법은 내재된 불확실성 정량화를 갖춘 확률적 분류를 실현하며, 손글씨 숫자 인식과 같은 모호한 경우에서 고전적 kNN에 비해 명백한 이점을 보이며, '9'가 '0'으로 잘못 인식되는 것과 같은 모호한 입력에 대해 균형 잡힌 출력 분포를 제공한다.

ABSTRACT

It is well known that for certain tasks, quantum computing outperforms classical computing. A growing number of contributions try to use this advantage in order to improve or extend classical machine learning algorithms by methods of quantum information theory. This paper gives a brief introduction into quantum machine learning using the example of pattern classification. We introduce a quantum pattern classification algorithm that draws on Trugenberger's proposal for measuring the Hamming distance on a quantum computer (CA Trugenberger, Phys Rev Let 87, 2001) and discuss its advantages using handwritten digit recognition as from the MNIST database.

연구 동기 및 목표

• 양자 병렬성과 초위상을 활용하여 패턴 분류에서의 양자적 이점을 탐색하기 위해.
• 손글씨 숫자처럼 여러 클래스와 유사한 입력을 다루는 데에 고전적 kNN의 한계를 해결하기 위해.
• 확률적 측정을 통해 거리 가중 처리와 불확실성 추정을 자연스럽게 통합하는 양자 알고리즘 개발을 위해.
• MNIST 데이터셋을 사용하여 실세계 분류 작업에 대한 양자 기계학습의 실현 가능성을 입증하기 위해.

제안 방법

• 알고리즘은 이진 특징 벡터를 나타내는 큐비트를 사용하여 훈련 데이터와 테스트 데이터를 초위상 상태로 인코딩한다.
• 입력 벡터와 모든 훈련 벡터 간의 해밍 거리를 초위상에서 Trugenberger의 양자 서브루틴을 활용해 계산한다.
• 계산된 해밍 거리에 기반하여 제어 회전을 적용하여 클래스 레이블을 거리 정보와 얽힌다.
• 거리 가중 k-가 빠른 이웃을 효과적으로 구현하기 위해 확률적 증폭을 사용한다.
• 최종 측정 결과는 입력이 각 훈련 클래스에 얼마나 가까운지를 반영하는 클래스에 대한 확률적 출력 분포를 제공한다.
• 알고리즘은 T를 정확도 임계값, P를 훈련 예제 수로 하여 O(T P n) 시간에 실행되며, 효율적인 초위상 준비가 가능하면 P에 대한 의존성이 없을 수 있다.

실험 결과

연구 질문

• RQ1 고전적 방법과 비교해 양자 컴퓨팅이 패턴 분류 작업에서 속도 향상이나 이점을 제공할 수 있는가?
• RQ2 양자 알고리즘이 분류 과정에서 거리 가중 처리와 불확실성 정량화를 자연스럽게 통합할 수 있는가?
• RQ3 손글씨 숫자와 같은 모호한 입력에 대해 양자 k-NN 분류기의 성능은 어떠한가?
• RQ4 입력의 모호함에 대한 내성적 저항력 측면에서 양자 패턴 분류가 고전적 kNN를 능가할 수 있는가?
• RQ5 이러한 알고리즘을 근접한 양자 하드웨어에서 실제로 구현할 때의 실용적 제약 조건과 확장 가능성은 어떠한가?

주요 결과

• 단순한 해밍 거리 기반 접근 방식을 사용할 경우, 이 알고리즘은 100개의 이진화된 MNIST 숫자 테스트 세트에서 약 50%의 분류 정확도를 달성하며, 고전적 kNN와 유사한 성능을 보인다.
• 알고리즘은 입력의 모호함을 반영하는 확률적 출력 분포를 생성하며, 예를 들어 '0'과 '9'에 대해 동일하게 가까운 손글씨 '9'의 경우 두 클래스에 대해 거의 동일한 측정 확률을 제공한다.
• 이러한 확률적 출력은 고전적 결정론적 kNN에 존재하지 않는 내재된 불확실성 정량화를 제공하며, 모호한 분류 시나리오에서 질적 이점이 된다.
• 알고리즘의 복잡도는 O(T P n)로 스케일링되며, 효율적인 상태 준비 또는 양자 메모리 사용이 가능하면 P에 대한 의존성이 없을 수 있다.
• 이 방법은 추가적인 계산 단계 없이도 측정 과정에 거리 가중 처리를 자연스럽게 통합할 수 있음을 보여준다.
• 시뮬레이션 결과, 전역 위상 이동 매개변수 ε를 도입하면 분류 성능이 약간 향상됨을 보이며, 양자 모델의 조정 가능성을 시사한다.