[논문 리뷰] Quantum Machine Learning for Material Synthesis and Hardware Security

Collin Beaudoin, Satwik Kundu외 2명|arXiv (Cornell University)|2022. 08. 16.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 7

한 줄 요약

이 논문은 화학 역합성과 하드웨어 트로이의 존재를 탐지하는 데 있어 두 가지 핵심 과제를 해결하기 위해 양자 장기 단기 기억(QLSTM) 및 양자 신경망(QNN) 모델을 제안한다. USPTO-50k 데이터셋에서 4 큐비트 QLSTM를 사용하여 역합성 예측에서 80%의 테스트 정확도를 달성했으며, 이는 고전적 LSTM의 70%를 뛰어넘는 성과이다. 또한 2 큐비트 QNN는 전력 및 면적 특징을 기반으로 하드웨어 트로이를 97.27%의 정확도로 탐지하여, 자료 과학 및 하드웨어 보안 분야에서 양자 기반 기계학습(QML)의 실현 가능성을 입증한다.

ABSTRACT

Using quantum computing, this paper addresses two scientifically pressing and day-to-day relevant problems, namely, chemical retrosynthesis which is an important step in drug/material discovery and security of the semiconductor supply chain. We show that Quantum Long Short-Term Memory (QLSTM) is a viable tool for retrosynthesis. We achieve 65% training accuracy with QLSTM, whereas classical LSTM can achieve 100%. However, in testing, we achieve 80% accuracy with the QLSTM while classical LSTM peaks at only 70% accuracy! We also demonstrate an application of Quantum Neural Network (QNN) in the hardware security domain, specifically in Hardware Trojan (HT) detection using a set of power and area Trojan features. The QNN model achieves detection accuracy as high as 97.27%.

연구 동기 및 목표

• 약물 및 재료 개발의 핵심 단계인 화학 역합성의 계산적 병목 현상을 해결하기 위해, 양자 기반 기계학습(QML)을 활용하여 예측 정확도 향상과 처리 속도 향상을 도모한다.
• 기존의 기계학습 모델이 겪는 확장성 문제, 긴 학습 시간, 사전 정의된 반응 라이브러리 의존성 등의 한계를 극복한다.
• 전력 및 면적 특징을 기반으로 학습된 양자 신경망을 활용해 하드웨어 보안 분야에서 QML의 실현 가능성을 입증한다.
• 현재 하드웨어 제약 조건이 존재하더라도 특정 시나리오에서 QML 모델이 고전적 모델을 능가할 수 있음을 보여주며, 특히 소규모 데이터셋에 대한 일반화 능력과 강인성에서 뛰어남을 강조한다.
• 자료 합성 및 반도체 공급망 보안 분야에서 QML의 개념 증명을 수립하여 향후 최적화 가능성을 부각시킨다.

제안 방법

• USPTO-50k 데이터셋에서 SMILES로 인코딩된 분자 시퀀스를 처리하기 위해 4 큐비트를 사용한 양자-고전 하이브리드 QLSTM 모델을 구현하여 역합성 경로 예측을 수행한다.
• 임bed딩 레이어를 포함한 시퀀스-투-시퀀스 아키텍처를 사용해 QLSTM를 학습시키며, 분자 특징을 인코딩하고 처리하기 위해 파arameterized 양자 회로를 적용하는 양자 처리 장치(QPU)를 통합한다.
• 양자 상태 측정 결과를 이산 반응 예측으로 변환하기 위해 출력층에 소프트맥스 레이어를 사용하고, 변분 양자 알고리즘을 통해 교차 엔트로피 손실을 최적화한다.
• 하드웨어 보안 분야에서는 t-SNE 차원 감소 기법을 활용해 50개의 전력 및 면적 트로이 특징을 2개로 압축한 후, 2 큐비트 QNN에 입력하여 분류 작업을 수행한다.
• 학습률 0.01로 확률적 경사 하강법을 사용해 QNN를 학습시키며, SVM, 퍼셉트론, 완전 연결 신경망과 같은 고전적 모델과의 성능 비교를 수행한다.
• 데이터 증강 및 하이퍼파라미터(예: 학습률) 최적화를 통해 일반화 능력을 향상시키며, 특히 소규모 데이터 환경에서 QNN의 강인성을 평가한다.

실험 결과

연구 질문

• RQ1 낮은 학습 정확도를 보일지라도, 복잡한 분자의 역합성 경로 예측에서 고전적 LSTM에 비해 양자 강화 LSTM(QLSTM) 모델이 성능을 뛰어넘을 수 있는가?
• RQ2 특히 반응물 내 공통 서브스트링 예측 시, QLSTM가 고전적 LSTM보다 테스트 환경에서 더 잘 일반화되는가?
• RQ3 소규모 QNN(2 큐비트)가 최소한의 특징 세트에서 학습된 경우, 고전적 기계학습 모델 대비 경쟁력 있거나 우수한 하드웨어 트로이 탐지 정확도를 달성할 수 있는가?
• RQ4 t-SNE를 통해 특징 수를 감소시킨 경우, QNN의 성능이 SVM 및 완전 연결 네트워크와 비교해 어떻게 나타나는가?
• RQ5 실제 응용 분야인 하드웨어 트로이 탐지 및 역합성 예측에서, 제한된 데이터와 하드웨어 제약 조건을 보완하기 위해 QML 모델이 얼마나 효과적으로 기능할 수 있는가?

주요 결과

• QLSTM 모델은 훈련 정확도가 65%로 고전적 LSTM의 100%에 못 미치지만, 역합성 예측에서 80%의 테스트 정확도를 기록하여 고전적 LSTM의 최고 수준인 70%를 초월한다.
• 서브스트링 예측에서 QLSTM는 훈련 시 55%의 정확도를 기록했고, 고전적 LSTM는 65%를 기록했지만, 테스트에서는 QLSTM가 80%의 정확도로 고전적 모델의 70%를 앞서나갔다.
• t-SNE를 통해 50개의 특징에서 2개로 압축된 데이터셋에서 QNN는 하드웨어 트로이 탐지에 대해 97.27%의 테스트 정확도를 달성했으며, 퍼셉트론(73.72%) 및 가우시안 나이브 베이즈(GaussianNB, 74.92%)와 같은 선형 분류기보다 뛰어난 성능을 보였다.
• 원래의 900개 샘플 데이터셋(50개 특징)에서 QNN는 97.09%의 정확도를 기록했으며, 고전적 신경망의 97.09%와 거의 동일한 성능을 보여, 저데이터 환경에서의 성능 균형을 입증했다.
• 고전적 신경망은 98.03%의 훈련 정확도와 98.35%의 테스트 정확도를 기록했으며, QNN가 정확도에서 아직 뛰어나지 않음을 확인했지만, 향후 최적화 잠재력은 매우 높음을 시사한다.
• 결과적으로 QML 모델이 데이터가 희소하거나 특징이 감소한 경우 특정 테스트 시나리오에서 고전적 모델보다 더 잘 일반화됨을 확인했으며, 이는 실제 운영 환경에서의 강인성을 강조한다.