[논문 리뷰] Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications

Yaswitha Gujju, Atsushi Matsuo외 1명|arXiv (Cornell University)|2023. 07. 03.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

이 종합 검토는 근접한 양자 하드웨어에서의 지도 학습 및 비지도 학습 양자 머신 러닝(QML) 기법을 평가하며, 고에너지 물리학, 헬스케어, 금융 분야의 실제 응용에 초점을 맞춘다. 데이터 인코딩, 앤사츠 설계, 오차 보정, 최적화 등의 핵심 과제를 분석하면서 성능의 상충 관계를 밝히고 재현 가능성과 확장성을 높이기 위한 개방 과학 관행을 제안한다.

ABSTRACT

The past decade has witnessed significant advancements in quantum hardware, encompassing improvements in speed, qubit quantity, and quantum volume-a metric defining the maximum size of a quantum circuit effectively implementable on near-term quantum devices. This progress has led to a surge in Quantum Machine Learning (QML) applications on real hardware, aiming to achieve quantum advantage over classical approaches. This survey focuses on selected supervised and unsupervised learning applications executed on quantum hardware, specifically tailored for real-world scenarios. The exploration includes a thorough analysis of current QML implementation limitations on quantum hardware, covering techniques like encoding, ansatz structure, error mitigation, and gradient methods to address these challenges. Furthermore, the survey evaluates the performance of QML implementations in comparison to classical counterparts. In conclusion, we discuss existing bottlenecks related to applying QML on real quantum devices and propose potential solutions to overcome these challenges in the future.

연구 동기 및 목표

• 실제 양자 하드웨어에서의 지도 학습 및 비지도 학습 양자 머신 러닝(QML)의 현재 상태를 평가하기 위해.
• 데이터 인코딩, 앤사츠 구조, 오차 보정, 최적화 방법 등 핵심 구현 과제를 특정하고 분석하기 위해.
• 고에너지 물리학, 헬스케어, 금융과 같은 실제 도메인에서 QML의 성능을 고전적 대안과 비교하기 위해.
• 재현 가능성과 확장성 문제를 해결하기 위해 개방 과학 및 표준화된 관행을 통해 QML 실험에 대한 재현 가능성과 협업을 향상시키기 위해.
• 노이즈가 많은 중간 규모 양자(NISQ) 장치의 활용을 향상시키기 위한 향후 연구 방향, 예를 들어 연합 학습과 양자 부스팅을 제안하기 위해.

제안 방법

• 고에너지 물리학, 헬스케어, 금융 도메인에서 실질적인 양자 하드웨어에 구현된 최신 QML 기법을 종합적으로 분석하기 위해.
• NISQ 장치에 적합한 두 가지 주요 프레임워크인 변량 양자 회로(PQCs)와 양자 커널 방법에 집중하기 위해.
• 고전적 데이터를 양자 상태로 매핑하기 위해 앰플리튜드 및 앰플리튜드 인코딩 기법을 포함한 데이터 인코딩 기법을 분석하기 위해.
• NISQ 장치의 노이즈를 보완하기 위해 제로 노이즈 외삽 및 확률적 오차 보정과 같은 오차 보정 전략을 평가하기 위해.
• 파arameterized 양자 회로의 기울기 기반 최적화 방법을 평가하며, 비어 있는 평탄한 영역과 기울기 소실 등의 과제를 다루기 위해.
• 재현 가능성과 협업을 향상시키기 위해 초모수 세부 기록 및 오픈 소스 코드 공유와 같은 개방 과학 관행을 제안하기 위해.

실험 결과

연구 질문

• RQ1 실제 응용에서 근접한 양자 하드웨어에 QML를 구현할 때의 현재 한계는 무엇인가요?
• RQ2 금융, 헬스케어, 고에너지 물리학 분야의 실제 데이터셋에서 변량 양자 회로와 양자 커널 방법의 성능 및 확장성은 어떻게 비교될 수 있나요?
• RQ3 오차 보정 및 데이터 인코딩 기법이 현재의 양자 프로세서에서 QML 모델의 정확도와 신뢰성에 얼마나 큰 영향을 미치나요?
• RQ4 연합 학습과 양자 부스팅은 분산된, 능력이 제한된 양자 장치에서 QML의 확장에 어떤 역할을 할 수 있나요?
• RQ5 하드웨어 노이즈와 액세스 제한으로 인해 QML 실험에서 재현 가능성과 투명성을 어떻게 향상시킬 수 있나요?

주요 결과

• 변량 양자 회로와 양자 커널 방법이 현재 하드웨어 제약 조건과의 호환성 덕분에 근접한 장치에서 QML의 주요 프레임워크로 자리 잡고 있다.
• 제로 노이즈 외삽과 같은 오차 보정 기법은 큰 회로(예: 127 큐비트 장치)에서 정확한 기대값 측정을 가능하게 했지만, 큐비트 수 증가와 함께 스케일링이 어려운 편이다.
• 데이터 인코딩 전략은 모델 성능에 큰 영향을 미치며, 앰플리튜드 인코딩은 더 높은 표현력은 제공하지만 더 많은 자원을 요구한다.
• 하드웨어 노이즈, 캘리브레이션 드리프트, 알고리즘 변동성으로 인해 재현 가능성 문제가 여전히 주요 과제이며, 세부 기록 및 오픈 소스 코드 공유가 필요하다.
• QML과 고전적 방법 간의 성능 비교는 양자 역학을 시뮬레이션하는 고전적 기술의 발전을 고려하여 이루어져야 하며, 그렇지 않으면 양자 우월성에 대한 편향된 평가를 피할 수 없다.
• 연합 학습과 양자 부스팅은 분산된 노이즈가 많은 양자 자원에서 QML의 확장을 위한 유망한 방향이지만, 그 유효성을 검증하기 위해 추가 연구가 필요하다.