[논문 리뷰] Quantum Machine Learning: from physics to software engineering

Alexey Melnikov, Mohammad Kordzanganeh외 2명|arXiv (Cornell University)|2023. 01. 04.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 리뷰는 양자 기술이 기계 학습을 어떻게 향상시킬 수 있는지 조사하며, 하이브리드 양자-고전 모델, 데이터 인코딩, 학습 및 이론적 기초에 초점을 맞추고, 특히 NISQ 제약 하에서 다룬다.

ABSTRACT

Quantum machine learning is a rapidly growing field at the intersection of quantum technology and artificial intelligence. This review provides a two-fold overview of several key approaches that can offer advancements in both the development of quantum technologies and the power of artificial intelligence. Among these approaches are quantum-enhanced algorithms, which apply quantum software engineering to classical information processing to improve keystone machine learning solutions. In this context, we explore the capability of hybrid quantum-classical neural networks to improve model generalization and increase accuracy while reducing computational resources. We also illustrate how machine learning can be used both to mitigate the effects of errors on presently available noisy intermediate-scale quantum devices, and to understand quantum advantage via an automatic study of quantum walk processes on graphs. In addition, we review how quantum hardware can be enhanced by applying machine learning to fundamental and applied physics problems as well as quantum tomography and photonics. We aim to demonstrate how concepts in physics can be translated into practical engineering of machine learning solutions using quantum software.

연구 동기 및 목표

• 양자 기술이 고전 기계 학습을 보강하여 효율성과 확장성을 개선하는 방법을 설명한다.
• NISQ 시대 응용을 위한 양자 신경망, 데이터 인코딩 전략 및 가변 회로를 조사한다.
• 양자 머신 러닝에서 학습 이론, 일반화 및 베이지안 관점을 논의한다.
• 오류 완화, 토모그래피, 자동 실험 등 양자 하드웨어 작업에 ML이 어떻게 도움을 줄 수 있는지 강조한다.

제안 방법

• ML 패러다임(비지도, 지도, 강화)을 분류하고 양자 방법이 이를 가속화하거나 개선할 수 있는 방법을 논의한다.
• 양자 장치에 데이터를 인코딩하는 전략(상태 임베딩, 진폭 임베딩, 관측 임베딩)과 그것이 표현력에 미치는 시사점을 상세히 설명한다.
• 매개변수화된 양자 회로(PQC)와 양자 신경망(QNN)을 위한 아키텍처 선택(하드웨어-효율, TTN/MPS, QCNN)을 검토한다.
• QNN에서 기울기 계산 방법(파라메터-시프트 규칙, 연접, 리만 기하 기반 접근)과 무효한 평면현상 등 이슈를 설명한다.
• 커널 방법, 베이지안 QNN, 일반화 경계와 같은 양자 학습 이론 연결 및 QNN의 Fourier 추정자로서의 보편성을 논의한다.
• 하이브리드 양자-고전 신경망과 NISQ 하드웨어의 한계를 완화하면서 양자 이점을 활용할 수 있는 가능성을 설명한다.

Figure 1: Interdisciplinary paradigm of quantum machine learning that is based on current classical information, quantum technologies, and artificial intelligence, respectively (the details are given in the text).

실험 결과

연구 질문

• RQ1 양자 기술을 활용하여 고전 기계 학습 작업을 가속화하거나 향상시킬 수 있는 방법은 무엇인가?
• RQ2 양자 모델에 대한 효과적인 데이터 인코딩 전략은 무엇이며 이는 모델의 표현력에 어떤 영향을 미치는가?
• RQ3 실제 양자 하드웨어에서 QNN의 교육 전략과 기울기 계산 방법은 무엇이 가능한가?
• RQ4 양자 머신 러닝이 하드웨어 문제(오류 완화, 토모그래피) 등을 어떻게 다루고 양자 우위를 양자 산책과 같은 과정에서 드러낼 수 있는가?

주요 결과

• 양자 신경망은 매개변수가 고전적으로 업데이트되면서 양자 회로가 특징 임베딩과 평가를 제공하는 프레임워크를 제시한다.
• 데이터 인코딩 선택(상태, 진폭, 관측)은 모델의 표현력과 성능을 결정적으로 좌우한다.
• 파라미터-시프트 규칙과 같은 기울기 방법은 QPU-호환 학습을 가능하게 하지만 매개변수 수로 인해 확장성은 여전히 도전 과제이다.
• 무효한 평면은 깊거나 강하게 얽힌 양자 회로에서 학습 가능성에 도전을 제기하며, 학습 가능성을 유지하는 아키텍처 및 초기화 전략이 필요하다.
• 감독형 QML의 커널 유사 해석은 QNN을 고전 커널 방법과 연결시켜 잠재적 이점과 학습 역학에 대한 통찰을 제공한다.
• 하이브리드 양자-고전 아키텍처는 NISQ 시대의 한계를 완화하면서 양자 이점을 활용할 가능성을 보인다.

Figure 2: Timeline with milestones of quantum machine learning achievements.