[논문 리뷰] Quantum generative adversarial network for generating discrete data

Haozhen Situ, Zhimin He외 2명|arXiv (Cornell University)|2018. 07. 03.

Quantum Computing Algorithms and Architecture인용 수 17

한 줄 요약

이 논문은 생성적 적대 신경망(GAN)의 하이브리드 양자-고전적 구조를 제안하며, 생성기로 파라미터화된 양자 회로를 사용하고, 판별기로 고전적 신경망을 사용하여 이산적인 고전적 데이터—예를 들어 텍스트—를 생성한다. 이 방법은 현재의 양자 하드웨어에서 사용 가능한 원천적 1 큐비트 및 2 큐비트 게이트만을 활용하며, 데이터 인코딩/출력 병목 현상을 피하고, 확률 분포를 양자 상태에 암묵적으로 인코딩함으로써, 기존 고전적 GAN에서 흔히 발생하는 기울기 소멸 문제를 피한 채 효율적인 이산 데이터 생성을 가능하게 한다.

ABSTRACT

Quantum machine learning has recently attracted much attention from the community of quantum computing. In this paper, we explore the ability of generative adversarial networks (GANs) based on quantum computing. More specifically, we propose a quantum GAN for generating classical discrete distribution, which has a classical-quantum hybrid architecture and is composed of a parameterized quantum circuit as the generator and a classical neural network as the discriminator. The parameterized quantum circuit only consists of simple one-qubit rotation gates and two-qubit controlled-phase gates that are available in current quantum devices. Our scheme has the following characteristics and potential advantages: (i) It is intrinsically capable of generating discrete data (e.g., text data), while classical GANs are clumsy for this task due to the vanishing gradient problem. (ii) Our scheme avoids the input/output bottlenecks embarrassing most of the existing quantum learning algorithms that either require to encode the classical input data into quantum states, or output a quantum state corresponding to the solution instead of giving the solution itself, which inevitably compromises the speedup of the quantum algorithm. (iii) The probability distribution implicitly given by data samples can be loaded into a quantum state, which may be useful for some further applications.

연구 동기 및 목표

• 양자 기계 학습 모델을 사용하여 텍스트와 같은 이산 데이터를 생성하는 데 도전하는 것.
• 이산 분포를 생성할 때 고전적 GAN이 겪는 기울기 소멸 문제를 극복하는 것.
• 완전한 양자 상태 인코딩을 피하고 직접 고전적 데이터를 출력함으로써 기존 양자 기계 학습 알고리즘의 성능 향상에 제약을 가하는 입력 및 출력 병목 현상을 제거하는 것.
• 후속 양자 응용을 위한 목적을 위해 데이터 확률 분포를 양자 상태에 암묵적으로 인코딩하는 것을 가능하게 하는 것.

제안 방법

• 생성기는 현재의 노이지 중간 규모 양자(NISQ) 장치에서 실현 가능한 1 큐비트 로테이션 게이트와 2 큐비트 제어-위상 게이트로 구성된 파라미터화된 양자 회로이다.
• 판별기는 생성된 데이터 샘플의 현실성 여부를 평가하는 고전적 순환 신경망이다.
• 생성기는 이산 데이터의 확률 분포를 인코딩한 양자 상태를 생성하며, 이를 측정하여 고전적인 이산 출력을 도출한다.
• 학습 과정은 생성기가 더 현실적인 데이터를 생성하도록 최적화하고, 판별기가 실제 데이터와 생성된 데이터를 더 잘 구분하도록 최적화하는 방식으로 번갈아가며 수행된다.
• 양자 회로의 출력은 계산 기저에서 측정되어 전체 양자 상태 톰그래피가 필요로 하지 않게 된다.
• 이 방법은 데이터 분포를 양자 상태에 암묵적으로 저장하며, 이후 양자 처리에 유용할 수 있다.

실험 결과

연구 질문

• RQ1 기본적인 게이트만을 사용하는 양자 생성기가 기울기 소멸 문제 없이 현실적인 이산 데이터 분포를 생성할 수 있는가?
• RQ2 양자 GAN은 기존 양자 기계 학습 알고리즘의 성능 향상에 제약을 가하는 입력 및 출력 병목 현상을 어떻게 피할 수 있는가?
• RQ3 이산 데이터의 확률 분포를 파라미터화된 양자 회로의 측정을 통해 양자 상태에 암묵적으로 인코딩할 수 있는가?
• RQ4 근처의 양자 하드웨어에서 하이브리드 양자-고전적 GAN 아키텍처를 사용하여 고전적인 이산 데이터(예: 텍스트)를 생성하는 것이 가능한가?

주요 결과

• 제안된 양자 GAN 아키텍처는 본질적으로 이산 데이터 생성이 가능하며, 이 분야에서 고전적 GAN이 앓는 기울기 소멸 문제를 극복한다.
• 완전한 양자 상태 출력을 요구하지 않고 직접 고전적인 이산 데이터를 출력함으로써, 기존 양자 기계 학습에서 흔한 입력 및 출력 병목 현상을 피한다.
• 생성된 데이터의 확률 분포는 생성기의 양자 상태에 암묵적으로 인코딩되어, 향후 양자 알고리즘에 활용될 수 있다.
• 1 큐비트 및 2 큐비트 게이트만을 사용함으로써 현재의 노이지 중간 규모 양자(NISQ) 장치와의 호환성을 확보하여 실용적인 타당성을 높인다.