[논문 리뷰] Quantum Earth Mover's Distance: A New Approach to Learning Quantum Data

Bobak T. Kiani, Giacomo De Palma외 3명|arXiv (Cornell University)|2021. 01. 08.

Adversarial Robustness in Machine Learning참고 문헌 135인용 수 7

한 줄 요약

이 논문은 양자 생성 학습을 위한 안정적인 손실 메트릭으로서의 양자 지구 이동 거리(EM)를 도입하여 다항 자원으로 효율적으로 학습 가능한 양자 워셔스타인 GAN(qWGAN)을 구현한다. 이 방법은 기존의 양자 거리 메트릭과 비교해 다양한 양자 데이터에서 더 뛰어난 학습 안정성과 수렴 성능을 달성한다.

ABSTRACT

Quantifying how far the output of a learning algorithm is from its target is an essential task in machine learning. However, in quantum settings, the loss landscapes of commonly used distance metrics often produce undesirable outcomes such as poor local minima and exponentially decaying gradients. As a new approach, we consider here the quantum earth mover's (EM) or Wasserstein-1 distance, recently proposed in [De Palma et al., arXiv:2009.04469] as a quantum analog to the classical EM distance. We show that the quantum EM distance possesses unique properties, not found in other commonly used quantum distance metrics, that make quantum learning more stable and efficient. We propose a quantum Wasserstein generative adversarial network (qWGAN) which takes advantage of the quantum EM distance and provides an efficient means of performing learning on quantum data. Our qWGAN requires resources polynomial in the number of qubits, and our numerical experiments demonstrate that it is capable of learning a diverse set of quantum data.

연구 동기 및 목표

• 기존의 거리 메트릭으로 인해 발생하는 양자 기계 학습의 불안정성과 열악한 최적화 역학 문제를 해결하기 위해.
• 양자 환경에서 더 나은 기울기 행동을 보이는 고전적 지구 이동 거리의 양자 버전을 개발하기 위해.
• 양자 EM 거리를 활용해 향상된 학습 효율성과 안정성을 확보한 양자 생성 대립 네트워크(qWGAN)를 설계하기 위해.
• 제안된 qWGAN이 다항 자원 스케일링으로 다양한 양자 데이터 분포를 학습할 수 있음을 입증하기 위해.

제안 방법

• 논문은 양자 생성 모델을 위한 손실 함수로 고전적 워셔스타인-1(지구 이동) 거리의 양자 버전을 제안한다.
• 양자 EM 거리를 사용해 양자 생성자와 판별자의 학습을 이끄는 양자 워셔스타인 GAN(qWGAN)을 구축한다.
• 손실 경관이 매끄럽고 기하급수적으로 감쇠하는 기울기가 방지되어 안정적인 최적화를 보장한다.
• 고전적 EM 거리를 기반으로 하되, 적절한 힐베르트 공간 설정을 통해 양자 상태에 적응시킨다.
• qWGAN 아키텍처는 큐비트 수에 대해 다항 스케일링으로 작동하도록 설계되어 확장 가능성을 확보한다.
• 수치 실험을 통해 다양한 양자 데이터 분포에서의 방법의 유효성을 검증하였으며, 생성된 상태의 수렴성과 다양성을 입증하였다.

실험 결과

연구 질문

• RQ1 양자 지구 이동 거리는 기존의 표준 양자 거리 메트릭보다 더 안정적이고 효율적인 학습 목표를 제공할 수 있는가?
• RQ2 양자 EM 거리를 기반으로 한 qWGAN은 다양한 양자 데이터 분포를 학습하는 데 어떻게 성능을 발휘하는가?
• RQ3 양자 EM 거리는 다른 양자 거리 메트릭에서 흔히 발생하는 기울기 소멸 문제를 피할 수 있는가?
• RQ4 제안된 qWGAN의 자원 스케일링(큐비트 수와 회로 깊이 기준)은 어떠한가?

주요 결과

• 양자 지구 이동 거리는 다른 양자 거리 메트릭과 비교해 더 매끄러운 손실 경관을 보이며, 열악한 국소 최소값의 위험을 줄인다.
• 양자 EM 거리를 사용한 qWGAN는 기하급수적으로 감쇠하는 기울기 없이 안정적인 학습 역학을 보인다.
• 큐비트 수에 대해 다항 스케일링으로 다양한 양자 데이터 분포를 성공적으로 학습한다.
• 수치 실험을 통해 qWGAN는 목표 분포와 밀도 높은 유사도를 보이는 고품질의 양자 상태를 생성할 수 있음을 확인하였다.