[논문 리뷰] Quantum k-nearest neighbor machine learning algorithm

Afham, Afrad Basheer외 1명|arXiv (Cornell University)|2020. 03. 20.

Quantum Computing Algorithms and Architecture인용 수 7

한 줄 요약

이 논문은 프레드킨 게이트와 파동함수 붕괴를 활용하여 테스트 양자 상태와 모든 학습 상태 간의 허상도를 동시에 계산하는 양자 k-최근접 이웃(kNN) 알고리즘을 제안한다. 이는 고전적 kNN 대비 지수적 속도 향상을 가능하게 한다. 이 방법은 양자 시스템에 인코딩된 알려지지 않은 테스트 상태를 효율적으로 처리하며, 유사성 기반 학습에 대해 확장 가능한 양자 우위를 제공한다.

ABSTRACT

In this article, we propose a quantum analog of the classical k-nearest neighbor (kNN) machine learning algorithm. Our algorithm uses Fredkin gates and wavefunction collapse upon measurement to calculate the fidelity simultaneously between the test state and all the train states, which provides tremendous speedup over its classical counterpart. The quantum kNN algorithm presented here is capable of dealing with completely unknown test states encoded in quantum systems.

연구 동기 및 목표

• 고전적 kNN의 기능을 재현하지만 양자 속도 향상을 제공하는 양자 기계학습 알고리즘을 개발하기 위해.
• 테스트 양자 상태와 모든 학습 상태 간의 유사성(허상도)을 중첩 상태에서 효율적으로 계산하기 위해.
• 그 구조나 진폭 분포에 대한 사전 지식 없이도 양자 시스템에 인코딩된 완전히 알려지지 않은 테스트 상태를 처리하기 위해.
• 양자 병렬성과 측정 유도 붕괴를 활용하여 고전적 kNN 대비 지수적 속도 향상을 달성하기 위해.

제안 방법

• 알고리즘은 프레드킨 게이트를 사용해 테스트 상태와 모든 학습 상태를 얽매어 동시에 비교할 수 있도록 한다.
• 양자 상태 준비를 통해 테스트 및 학습 데이터를 양자 중첩 상태에 인코딩한다.
• 제어 연산과 측정을 통해 테스트 상태와 각 학습 상태 간의 허상도를 추정한다.
• 측정 시 발생하는 파동함수 붕괴는 가장 유사한 학습 상태들을 드러내는 상태로 시스템을 투영한다.
• 양자 병렬성의 활용으로 단일 실행 내에서 모든 k-최근접 이웃을 평가할 수 있어 순차적 비교를 피할 수 있다.
• 알고리즘은 임의의 알려지지 않은 테스트 상태를 다룰 수 있도록 설계되어 실제 양자 데이터에 대해 강건하다.

실험 결과

연구 질문

• RQ1 양자 병렬성은 테스트 상태와 모든 학습 상태 간의 유사성을 동시에 계산하는 데 사용될 수 있는가?
• RQ2 표준 양자 게이트를 사용해 양자 회로에서 허상도 추정을 효율적으로 구현할 수 있는가?
• RQ3 알고리즘은 사전 상태 준비 없이도 알려지지 않은 테스트 상태를 처리할 수 있는가?
• RQ4 고전적 kNN 대비 양자 kNN의 이론적 속도 향상은 어느 정도인가?
• RQ5 파동함수 붕괴는 양자 프레임워크에서 k-최근접 이웃을 식별하는 데 어떻게 기여하는가?

주요 결과

• 양자 병렬성을 활용하여 테스트 상태와 모든 학습 상태 간의 유사성 계산에서 지수적 속도 향상을 달성한다.
• 프레드킨 게이트의 사용은 테스트 상태와 각 학습 상태 간의 제어된 얽힘을 가능하게 하여 동시에 허상도 평가를 촉진한다.
• 측정 유도 파동함수 붕괴는 전체 중첩 상태가 조기에 붕괴되는 것을 방지하면서도 k-최근접 이웃을 추출할 수 있도록 한다.
• 알고리즘은 상태의 구조나 진폭 분포에 대한 사전 지식이 없어도 강건하여 알려지지 않은 테스트 상태에 대해 유연하게 대응할 수 있다.
• 이 방법은 고차원 양자 특징 공간에서의 확장 가능한 유사성 계산을 가능하게 하며, 이는 대규모 데이터셋에 대해 고전적 kNN로는 실현 불가능하다.