[논문 리뷰] Quantum image classifier with single photons

Kunkun Wang, Lei Xiao외 3명|arXiv (Cornell University)|2020. 03. 19.

Quantum Computing Algorithms and Architecture참고 문헌 40인용 수 9

한 줄 요약

이 논문은 단일 광자 간섭계를 사용하여 양자 이미지 분류기를 구현하며, 텐서 네트워크와 행렬 곱 상태를 활용해 효율적으로 양자 특징 공간을 인코딩하고 처리한다. 이 방법은 실제 손으로 그린 이미지의 고정밀도 분류를 달성하여, 향후 양자 머신러닝을 위한 확장 가능하고 플랫폼에 구애받지 않는 프레임워크를 구축한다.

ABSTRACT

Machine learning, with promising applications in quantum computation, has been introduced to a variety of quantum mechanical platforms, where its interplay with quantum physics offers exciting prospects toward quantum advantages. A central difficulty, however, lies in the access and control of the large Hilbert space required by quantum machine learning protocols, through the limited number of noisy qubits available to near-term quantum devices. Whereas it is recognized that a viable solution lies in the design of quantum algorithms that incorporates quantum entanglement and interference, a demonstration of quantum machine learning protocols capable of solving practical tasks is still lacking. Here we report the classification of real-life, hand-drawn images on a quantum mechanical platform of single photons. Adopting a tensor-network-based machine learning algorithm with an entanglement-guided optimization, we achieve an efficient representation of the quantum feature space using matrix product states. This allows us to demonstrate image classification with a high success rate using single-photon interferometry networks. Our experiment establishes a general and scalable framework for quantum machine learning, which is readily accessible on other physical platforms.

연구 동기 및 목표

• 제한된 노이즈가 있는 큐비트를 가진 근접 양자 장치에서 큰 하이르베르트 공간에 접근하는 데 도전하는 데 목적이 있다.
• 현재 광학 하드웨어의 제약 조건 내에서 효율적으로 작동하는 확장 가능한 양자 머신러닝 프레임워크를 개발하는 데 목적이 있다.
• 실세계의 손으로 그린 이미지를 사용하여 실용적인 양자 머신러닝 작업—이미지 분류—를 구현하는 데 목적이 있다.
• 양자 특징 공간 표현을 효율적으로 구현하기 위해 얽힘 유도 최적화와 행렬 곱 상태를 활용하는 데 목적이 있다.
• 광학 시스템을 초월하여 일반적으로 적용 가능한 양자 머신러닝 프레임워크를 구축하는 데 목적이 있다.

제안 방법

• 자원 소모를 줄이는 텐서 네트워크 기반 머신러닝 알고리즘을 사용하여 양자 특징을 표현한다.
• 행렬 곱 상태(MPS)를 활용해 양자 특징 공간을 효율적으로 인코딩하고 큐비트 수요를 줄인다.
• 표현력과 정확도를 향상시키기 위해 얽힘 유도 최적화를 구현한다.
• 광학 플랫폼에서 양자 회로를 물리적으로 실현하기 위해 단일 광자 간섭계 네트워크를 설계한다.
• 광학 큐비트와 호환되는 특징 인코딩 방식을 통해 손으로 그린 이미지를 양자 상태로 매핑한다.
• 유니터리 진동과 측정을 통해 양자 간섭과 얽힘을 활용해 분류를 수행한다.

실험 결과

연구 질문

• RQ1 단일 광자 기반 양자 머신러닝 모델은 실생활의 손으로 그린 이미지를 고정밀도로 분류할 수 있는가?
• RQ2 자원이 제한된 환경에서 행렬 곱 상태(MPS)를 어떻게 효율적으로 양자 특징 공간을 표현하는 데 활용할 수 있는가?
• RQ3 얽힘 유도 최적화는 근접 양자 장치에서 분류 성능을 얼마나 향상시키는가?
• RQ4 단일 광자만을 사용하여 광학 플랫폼에 확장 가능하고 일반적인 양자 머신러닝 프레임워크를 구현할 수 있는가?
• RQ5 현재 하드웨어 제약 조건 하에서 실용적인 이미지 분류 작업에서 양자 우월성을 달성할 수 있는가?

주요 결과

• 제안된 방법은 단일 광자 간섭계 네트워크만을 사용하여 실제 손으로 그린 이미지의 고정밀도 분류를 달성했다.
• 행렬 곱 상태(MPS)를 통해 양자 특징 공간을 효율적으로 표현하여 필요한 하이르베르트 공간 차원을 크게 감소시켰다.
• 얽힘 유도 최적화가 모델의 이미지 클래스 간 구분 능력을 향상시켜 분류 정밀도를 향상시켰다.
• 프레임워크는 확장성과 적응 가능성을 입증하여 다양한 물리적 양자 플랫폼에 구현하기에 적합했다.
• 실험을 통해 제한된 큐비트를 가진 근접 양자 장치에서 실용적인 양자 머신러닝 작업을 수행할 수 있음을 확인했다.
• 결과는 일반적이고 접근하기 쉬운 아키텍처를 통해 향후 머신러닝 분야에서의 양자 우월성 달성에 기초를 마련했다.