[논문 리뷰] Quantum Neural Networks: Concepts, Applications, and Challenges

Yunseok Kwak, Won Joon Yun외 2명|arXiv (Cornell University)|2021. 08. 02.

Quantum Computing Algorithms and Architecture참고 문헌 39인용 수 4

한 줄 요약

이 논문은 양자 신경망(QNNs)에 대한 종합적인 개요를 제공하며, 변분 양자 회로(VQCs)에서 비롯되는 기초와 양자 딥러닝 분야에서의 응용을 설명한다. QNNs가 매개변수화된 양자 게이트와 측정 기반 최적화를 사용하여 분류 및 함수 근사와 같은 작업을 수행하는 방식을 기술하면서도, 바랜 플레이트오위(바랜 플레이트오위)와 NISQ 시대 하드웨어의 한계, 그리고 고전적 모델에 비해 명확한 양자 우월성 확보가 필요한 점과 같은 핵심 과제를 규명한다.

ABSTRACT

Quantum deep learning is a research field for the use of quantum computing techniques for training deep neural networks. The research topics and directions of deep learning and quantum computing have been separated for long time, however by discovering that quantum circuits can act like artificial neural networks, quantum deep learning research is widely adopted. This paper explains the backgrounds and basic principles of quantum deep learning and also introduces major achievements. After that, this paper discusses the challenges of quantum deep learning research in multiple perspectives. Lastly, this paper presents various future research directions and application fields of quantum deep learning.

연구 동기 및 목표

• 양자 신경망(QNNs)과 딥러닝 원리의 통합에 대한 기초적 이해를 제공하기 위해.
• 하이브리드 양자-고전 기계학습 알고리즘을 가능하게 하는 변분 양자 회로(VQCs)의 역할을 검토하기 위해.
• 양자 딥러닝의 핵심 과제를 규명하고 분석하기 위해, 예를 들어 기울기 소실(바랜 플레이트오위), NISQ 장치의 제약, 그리고 검증 가능한 양자 우월성의 필요성 등.
• IoT, 밀리미터파 대역 네트워크, 블록체인, 영상 스트리밍과 같은 신규 분야에서 QNNs의 실용적 응용을 탐색하기 위해.
• 성능과 근접한 장기적 하드웨어 제약을 균형 잡는 알고리즘 설계의 잠재적 방향을 제시함으로써 향후 연구를 이끌기 위해.

제안 방법

• 매개변수화된 회전 게이트와 얽힘 게이트를 사용한 변분 양자 회로(VQCs)를 활용하여 양자 신경망을 구현한다.
• 고전적 데이터를 양자 상태로 인코딩하기 위해 양자 상태 준비를 수행하며, 진폭 인코딩 또는 각도 인코딩을 사용한다.
• 파울리 연산자의 기대값(예: ⟨Z⟩)을 평가하여 측정 기반 최적화를 적용함으로써 고전적 출력을 추출한다.
• 기존 역전파와 유사한 하이브리드 양자-고전 학습 루프 내에서 기울기 하강법을 사용하여 매개변수 최적화를 수행한다.
• 특정 작업에서의 보편 근사성과 계산 속도 향상 잠재력에 대한 이론적 분석을 통해 양자 우월성을 분석한다.
• 근접한 NISQ 장치에서 회로 깊이, 큐비트 수, 오류율을 평가함으로써 하드웨어 제약 조건을 고려한다.

Figure 1: Illustration of QNN with the input $|\psi\rangle$ , the parameter $\theta$ and linear entanglement structure.

실험 결과

연구 질문

• RQ1 양자 중첩과 얽힘을 활용하여 양자 회로를 어떻게 구성하면 인공 신경망의 기능을 모방할 수 있는가?
• RQ2 현재의 노이지 중간 규모 양자(NISQ) 장치에서 QNN의 확장성과 효율성을 저해하는 주요 과제는 무엇인가?
• RQ3 어떤 상황에서 QNN이 고전적 딥러닝 모델에 비해 계산 우월성을 보일 수 있는가?
• RQ4 QNN에서 바랜 플레이트오위는 어떻게 발생하며, 그 영향을 줄이기 위한 전략은 무엇인가?
• RQ5 통신 및 네트워크 시스템 분야에서 양자 딥러닝의 가장 유망한 응용 분야는 무엇인가?

주요 결과

• 변분 양자 회로(VQCs) 기반의 양자 신경망(QNNs)는 보편 근사성 특성 덕분에 임의의 연속 함수를 근사할 수 있다.
• 큐비트 수가 증가할수록 기울기가 기하급수적으로 감소하는 바랜 플레이트오위 영역이 점점 더 발생할 가능성이 높아지며, 이는 대규모 QNN 학습에 있어 주요 과제가 된다.
• 현재의 NISQ 장치는 수십 개의 노이지 큐비트와 높은 오류율을 지니고 있어, 다중 큐비트 얽힘 게이트에 의존하는 복잡한 양자 회로의 실용적 구현을 제한한다.
• 이론적 잠재력이 있음에도 불구하고, 아직까지는 검증 가능한 양자 우월성을 입증한 변분 양자 알고리즘은 소수에 불과하여, 실제 성능 향상을 보장하기 위해 신중한 알고리즘 설계가 필요함을 강조한다.
• IoT, 캐싱, 영상 스케줄링, 블록체인과 같은 통신 네트워크 분야의 응용은 QNN이 분산 계산을 가속화할 수 있다는 점에서 유망한 활용 사례로 간주된다.
• QNN에서 전통적인 활성화 함수가 없기 때문에 기울기 붕괴를 방지하기 위한 대안 전략이 필요하며, 이는 고전적 딥러닝 신경망과의 학습 동역학을 구분짓는다.

Figure 2: Illustration of QCNN with the input $|\psi\rangle$ , the parameter $\theta$ with single convolution and pooling layer.