[논문 리뷰] Quantum-Enhanced Machine Learning for Covid-19 and Anderson Insulator Predictions

Paul-Aymeric McRae, Michael Hilke|arXiv (Cornell University)|2020. 12. 07.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 16 큐비트 IBM 양자 컴퓨터를 사용하여 양자 강화 기계 학습을 평가하며, 코로나19 확산 데이터와 앤더슨 절연체 전이를 분류하기 위해 양자 서포트 벡터 머신(QSVM)과 변량 양자 분류기(VQC)를 적용한다. 이론적으로는 유망하지만, 복잡한 데이터셋에서는 양자 강화가 고전적 방법을 능가하지 못하며, 클래스 불균형과 제한된 하이퍼파rameter 조정으로 인해 양자 모델이 종종 성능이 열 劣하거나 인위적인 정확도를 보이는 경향이 있다.

ABSTRACT

Quantum Machine Learning (QML) algorithms to solve classifications problems have been made available thanks to recent advancements in quantum computation. While the number of qubits are still relatively small, they have been used for "quantum enhancement" of machine learning. An important question is related to the efficacy of such protocols. We evaluate this efficacy using common baseline data sets, in addition to recent coronavirus spread data as well as the quantum metal-insulator transition in three dimensions. For the computation, we used the 16 qubit IBM quantum computer. We find that the "quantum enhancement" is not generic and fails for more complex machine learning tasks.

연구 동기 및 목표

• 실세계 분류 작업에 대한 양자 강화 기계 학습의 실용적 효능을 평가하기 위해.
• 코로나19 확산 및 3D 앤더슨 국소화와 같은 비기본 데이터셋에서 양자-고전적 성능를 비교하기 위해.
• QSVM 및 VQC 알고리즘에서 '양자 강화'가 고전적 대안에 비해 측정 가능한 이점을 제공하는지 조사하기 위해.
• 클래스 불균형으로 인한 인위적 정확도 및 양자 프레임워크에서의 제한된 하이퍼파rameter 제어와 같은 구현 과제를 밝혀내기 위해.
• 근현실 양자 하드웨어에서의 양자 기계 학습 파이프라인의 확장성과 계산 복잡도를 평가하기 위해.

제안 방법

• 16 큐비트 양자 프로세서를 사용하여 IBM QISKit를 통해 양자 서포트 벡터 머신(QSVM)과 변량 양자 분류기(VQC)를 구현한다.
• 동일한 데이터셋에서 기준 비교를 위해 고전적 SVM(선형 및 RBF 커널)을 사용한다.
• QSVM에서 특성 매핑 및 커널 함수를 적용하며, 커널 계산은 양자 회로가 담당한다.
• 파arameterized 게이트를 갖는 변량 양자 회로를 사용하고, 고전적 피드백 루프를 통해 반복적으로 최적화한다.
• 모의 및 실제 IBM 양자 하드웨어를 모두 활용하여 데이터 크기 및 특성 차원에 따른 성능을 평가한다.
• 학습 샘플 수와 특성 차원에 따라 분류 정확도, 계산 시간, 확장성 추세를 측정한다.

실험 결과

연구 질문

• RQ1 코로나19 및 앤더슨 절연체 데이터와 같은 복잡한 실세계 데이터셋에서 양자 강화 기계 학습이 고전적 기계 학습을 능가하는가?
• RQ2 QSVM 및 VQC 알고리즘이 실제로 고전적 SVM에 비해 어느 정도 '양자 강화'를 보이는가?
• RQ3 현재의 양자 기계 학습 파이프라인에서 주요 성능 저하 요인은 무엇인가, 특히 확장성과 하이퍼파rameter 조정 측면에서?
• RQ4 왜 일부 양자 모델은 특히 불균형 데이터셋에서 인위적으로 높은 정확도를 달성하는가?
• RQ5 양자 분류기와 고전적 분류기에서 계산 시간이 학습 데이터 크기와 특성 차원에 따라 어떻게 변화하는가?

주요 결과

• 양자 강화 방법은 유방암 및 포도주 벤치마크 데이터셋에서 고전적 SVM을 능가하지 못했으며, 고전적 모델이 일관되게 더 높은 정확도를 기록했다.
• 더 복잡한 코로나19 및 앤더슨 절연체 데이터셋에서는 양자 모델이 고전적 대안보다 일반적으로 성능이 열 劣했으며, 일관된 양자 우월성이 관찰되지 않았다.
• 희귀한 경우에만 양자 모델이 약간 더 높은 정확도를 보였지만, 이는 데이터에 무작위성이 포함된 경우에 국한되어 있어 강력한 향상이 아니라는 것을 시사한다.
• 여러 양자 모델에서 클래스 불균형으로 인해 한 클래스만 예측하는 치명적인 성능 저하가 발생했으며, 이는 QISKit에서 하이퍼파rameter 조정이 제한되어 있기 때문이다.
• QSVM의 계산 시간은 데이터 크기와 함께 제곱법적으로 증가했고, VQC는 데이터 크기에서는 선형적 의존성을 보였지만 특성 차원에 대해 지수적 증가를 보였다.
• 이론과 실천 간의 성능 격차는 이론적 복잡도 외에도 시뮬레이션 오버헤드와 구현 차이로 인한 것으로 분석된다.