[논문 리뷰] Quantum-Inspired Machine Learning: a Survey

Larry Huynh, Jin B. Hong외 4명|arXiv (Cornell University)|2023. 08. 22.

Quantum Computing Algorithms and Architecture인용 수 9

한 줄 요약

이 설문은 Quantum-Inspired Machine Learning (QiML)을 정의하고 분류하며, 주요 방법들(Dequantized algorithms, Tensor Networks, and simulated quantum variational methods), 응용, 한계, 그리고 향후 방향을 검토한다.

ABSTRACT

Quantum-inspired Machine Learning (QiML) is a burgeoning field, receiving global attention from researchers for its potential to leverage principles of quantum mechanics within classical computational frameworks. However, current review literature often presents a superficial exploration of QiML, focusing instead on the broader Quantum Machine Learning (QML) field. In response to this gap, this survey provides an integrated and comprehensive examination of QiML, exploring QiML's diverse research domains including tensor network simulations, dequantized algorithms, and others, showcasing recent advancements, practical applications, and illuminating potential future research avenues. Further, a concrete definition of QiML is established by analyzing various prior interpretations of the term and their inherent ambiguities. As QiML continues to evolve, we anticipate a wealth of future developments drawing from quantum mechanics, quantum computing, and classical machine learning, enriching the field further. This survey serves as a guide for researchers and practitioners alike, providing a holistic understanding of QiML's current landscape and future directions.

연구 동기 및 목표

• 여러 연구 경향을 포용하는 구체적이고 모호하지 않은 설명으로 QiML 정의.
• QiML 방법을 분류하고 근본 기법 및 영감의 원천에 따라 정리.
• 실용적 응용을 조사하고 QiML이 적용된 작업을 식별.
• 실무에서 QiML의 현재 한계 요인들을 논의하고 고전 벤치마크와 비교.
• QiML의 향후 방향과 연구 기회를 제안.

제안 방법

• 2017–2023년 QiML 문헌에 대한 체계적 문헌 고찰을 수행한다.
• QiML의 통합 정의를 제안하고 이를 더 넓은 QML 분류(CC, QC, CQ, QQ) 내에 위치시킨다.
• QiML 기법을 세 가지 주요 범주: Dequantized Algorithms, Tensor Networks, and Quantum Variational Algorithm Simulation, plus Other QiML Methods로 정리한다.
• 실용적 응용과 경험적 결과를 분석하고 고전 방법과의 비교를 강조한다.
• state-preparation 대 L2-norm 샘플링 가정 하에서 QML과 고전 ML 간의 공정한 비교를 위한 지침을 개요한다.

실험 결과

연구 질문

• RQ1 Quantum-Inspired Machine Learning이 무엇으로 간주되며 어떻게 정의되고 분류되어야 하는가?
• RQ2 주요 QiML 기법은 무엇이며 실제로 어떻게 적용되는가?
• RQ3 QiML의 실용적 응용은 무엇이며 어떤 분야에서 존재하는가?
• RQ4 QiML 배치를 저해하는 현재의 한계와 병목은 무엇인가?
• RQ5 QiML에 가장 유망한 향후 방향과 연구 기회는 무엇인가?

주요 결과

• QiML은 종종 classical data/classical processing (CC) 사분면 내에서 분류되지만 양자 개념에서 영감을 받았다.
• Dequantized algorithms는 상태 준비 가정으로 인해 실제로 양자 속도업이 실현되지 않을 때를 드러내고, 유사한 성능을 가진 고전적 유사체로 이어진다.
• Tensor network 접근법과 dequantized QSVT 프레임워크는 양자 하드웨어 제약을 피하면서 성능을 개선하거나 보존한다.
• 공정한 벤치마킹은 상태 준비 가정과 동등한 고전 샘플링 모델(e.g., L2-norm sampling)과 매칭이 필요하다.
• 본 조사는 실용적 응용을 문서화하고 QiML 연구가 번창하고 있지만 더 넓은 QML 문헌에 비해 덜 탐구되고 있음을 주목한다.
• 모호성을 줄이고 현장 내 소통을 개선하기 위해 구체적인 QiML 정의가 제안된다.