[논문 리뷰] Quantum neural network

M. V. Altaĭsky|ArXiv.org|2001. 07. 03.

Quantum Computing Algorithms and Architecture참고 문헌 2인용 수 100

한 줄 요약

이 논문은 광자 스핀에 의해 정의된 초위상 상태를 갖는 광학 큐비트를 사용하는 양자 신경망(QNN) 모델을 제안한다. 여기서 가중치는 분광기와 위상 이동 장치를 통해 구현되며, 반복적 가중치 갱신을 통해 목표 출력 상태로 수렴할 수 있는 비유니터리 학습 규칙을 도입한다. 이는 위상 민감한 신호 처리를 통한 양자 강화 학습을 위한 실현 가능한 길을 제시한다.

ABSTRACT

It is suggested that a quantum neural network (QNN), a type of artificial neural network, can be built using the principles of quantum information processing. The input and output qubits in the QNN can be implemented by optical modes with different polarization, the weights of the QNN can be implemented by optical beam splitters and phase shifters

연구 동기 및 목표

• 양자 정보 처리 원리를 활용하여 향상된 학습 능력을 갖춘 양자 신경망(QNN) 모델을 개발하는 것.
• 양자 시스템에서 비선형 활성화 함수를 구현하는 데 도전하는 데 있어, 위상 및 진폭 민감한 가중치 갱신 메커니즘을 제안하는 것.
• 유니터리성이 유지되지 않더라도, 양자 퍼셉트론 출력이 목표로 하는 상태로 수렴하도록 하는 학습 규칙을 시현하는 것.
• 분광기, 위상 이동 장치 및 감쇠 장치와 같은 광학 구성 요소를 사용하여 확장 가능한 양자 신경망을 실현할 수 있는지 탐색하는 것.

제안 방법

• 큐비트는 광자 스핀 상태 |0⟩ 및 |1⟩로 표현되며, 초위상 상태 |x⟩ = α|0⟩ + β|1⟩로 정의된다.
• 양자 퍼셉트론은 n개의 입력 큐비트 |x_j⟩와 선형 출력 상태 |y(t)⟩ = Σ w_j(t)|x_j⟩를 사용한다. 여기서 가중치 w_j는 분광기와 위상 이동 장치로 구성된 2×2 유니터리 행렬이다.
• 비유니터리 학습 규칙을 제안한다: w_j(t+1) = w_j(t) + η(|d⟩ - |y(t)⟩)⟨x_j|, 여기서 |d⟩는 목표 출력이며, η는 학습률이다.
• 학습 규칙이 오차의 제곱 노름을 감소시킴을 보여주며, 소규모 η < 1/n일 경우 |||d⟩ - |y(t+1)⟩||² = (1 - nη)²|||d⟩ - |y(t)⟩||² 임을 입증한다.
• 신호 감쇠와 위상 이동을 허용함으로써 복소수 임피던스로 해석할 수 있으며, 이는 학습 가능성과 고전적 시뮬레이션 가능성을 향상시킨다.
• 표준 인공신경망 아키텍처 원리를 사용하여 다수의 양자 퍼셉트론을 조합함으로써 전체 QNN로의 확장을 도모한다.

실험 결과

연구 질문

• RQ1 분광기와 위상 이동 장치와 같은 선형 광학 소자를 사용하여 양자 신경망을 구성할 수 있는가?
• RQ2 유니터리 갱신이 아닌 경우에도, 목표로 하는 상태로 수렴하도록 하는 양자 퍼셉트론을 위한 학습 규칙을 설계할 수 있는가?
• RQ3 가중치 행렬에 신호 감쇠와 위상 이동을 포함할 경우, 양자 네트워크의 학습 가능성과 수렴성에 어떤 영향을 미치는가?
• RQ4 입력 신호의 위상이 단지 진폭 외에 양자 신경망의 학습 역학에 얼마나 기여하는가?

주요 결과

• 제안된 학습 규칙 (6)은 학습률 η가 충분히 작을 경우(η < 1/n) 목표 출력 상태 |d⟩로 수렴함을 보여주며, 오차 감쇠 인자 (1 - nη)²로 입증된다.
• 학습 규칙이 유니터리성을 위반하더라도 수렴이 가능함을 확인하여, 감쇠와 같은 비유니터리 연산이 학습 가능성에 유리할 수 있음을 시사한다.
• 분광기와 위상 이동 장치를 통한 위상 및 진폭 조절을 통해 신호 감쇠와 위상 이동을 모델링할 수 있는 복소수 가중치 행렬을 구현할 수 있으며, 이는 생물학적 신경망의 임피던스와 유사하다.
• 표준 ANN 아키텍처 원리를 사용하여 양자 퍼셉트론을 조합함으로써 확장 가능한 QNN 구축을 지원한다.
• 비유니터리 가중치 갱신을 포함함으로써, 유니터리만을 사용하는 대안보다 고전적 시뮬레이션에 더 적합한 모델이다.