[논문 리뷰] Quantum reservoir computing: a reservoir approach toward quantum machine learning on near-term quantum devices

Keisuke Fujii, Kohei Nakajima|arXiv (Cornell University)|2020. 11. 10.

Neural Networks and Reservoir Computing인용 수 5

한 줄 요약

이 논문은 근접된 노이지 중간 규모 양자(NISQ) 장치에서 양자 기계 학습을 위한 실용적인 접근법으로 양자 저항계 계산(QRC)을 제안한다. 특정한 전이장 이징 모델의 복잡하고 비선형적인 동역학을 고정된 고차원 저항계로 활용함으로써, QRC는 단순한 선형 독출을 통해 시간적 기계 학습 작업을 수행한다. 이 방법은 루엔츠, 매크리-글라스, 라우슬러, 헤논의 혼돈적인 안정기를 정확하게 장기 예측 및 위상공간의 구조 재구성과 함께 모방하여 현재의 양자 하드웨어에서의 실현 가능성과 효율성을 입증한다.

ABSTRACT

Quantum systems have an exponentially large degree of freedom in the number of particles and hence provide a rich dynamics that could not be simulated on conventional computers. Quantum reservoir computing is an approach to use such a complex and rich dynamics on the quantum systems as it is for temporal machine learning. In this chapter, we explain quantum reservoir computing and related approaches, quantum extreme learning machine and quantum circuit learning, starting from a pedagogical introduction to quantum mechanics and machine learning. All these quantum machine learning approaches are experimentally feasible and effective on the state-of-the-art quantum devices.

연구 동기 및 목표

• 제한된 큐비트 수와 높은 노이즈를 가진 근접된 양자 장치에 적합한 실용적인 양자 기계 학습 프레임워크를 개발하기 위해.
• 완전한 양자 알고리즘 합성 없이도 양자 시스템의 내재된 비선형성과 기억 기반 동역학을 계산 저항계로 활용하기 위해.
• 양자 저항계가 루프 예측 및 안정기 재구성과 같은 복잡한 시간적 작업을 수행할 수 있음을 입증하기 위해.
• 저항계 계산과 양자 기계 학습 사이의 다리를 놓고, 현재의 하드웨어에서 효율적이고 실험적으로 실현 가능한 구현을 가능하게 하기 위해.

제안 방법

• 양자 저항계는 무작위로 분포된 결합 강도 $ J_{ij} \in [-0.5, 0.5] $ 를 가진 완전히 연결된 전이장 이징 모델로 구현된다. $ h = 1.0 $ 인 고정된 국소장이 사용된다.
• 시스템은 하미르토니안 $ H = \sum_{ij} J_{ij} X_i X_j + h Z_i $ 를 따라 진동하며, 입력 시퀀스에 대한 임시 동역학을 생성한다.
• 입력 신호는 정기적인 간격 $ \tau = 4.0 $ 에 따라 저항계에 주입되며, 각 시간 단계에서 저항계 상태가 샘플링되어 고차원 특징 벡터를 형성한다.
• 저항계 상태를 목표 출력으로 매핑하기 위해 최소 제곱 회귀를 통해 선형이고 정적 독출 층을 학습시켜 학습 시퀀스에서 예측 오차를 최소화한다.
• 학습 후, 시스템은 자율 모드로 전환되며, 출력이 다시 입력으로 피드백되어 추가 학습 없이 장기 예측을 생성한다.
• 공유된 입력 시퀀스를 가진 여러 개의 저항계를 조합함으로써 성능을 향상시키기 위해 공간 다중화가 사용된다.

실험 결과

연구 질문

• RQ1 근접된 양자 시스템의 복잡하고 비선형적인 동역학이 시간적 기계 학습 작업을 위한 효과적인 저항계로 기능할 수 있는가?
• RQ2 양자 저항계는 루엔츠 및 매크리-글라스 안정기와 같은 혼돈적 동역학 시스템을 어느 정도 정확하게 모의할 수 있는가?
• RQ3 짧은 시퀀스로 학습된 후, 양자 저항계는 시간 시리즈의 향후 상태를 정확하게 예측할 수 있는가?
• RQ4 양자 저항계는 지연된 위상공간에서 혼돈 안정기의 기하학적 구조를 어느 정도 정확하게 재구성할 수 있는가?

주요 결과

• 양자 저항계는 자율 모드에서 수백 개의 시간 단계에 걸쳐 루엔츠, 매크리-글라스, 라우슬러, 헤논 안정기를 높은 정확도로 모의하였다.
• 예측된 동역학의 지연된 위상도는 진짜 안정기와 매우 유사하여 위상적 구조와 혼돈 행동의 유지가 확인되었다.
• 모든 테스트된 혼돈 시스템에 대해 안정적이고 정확한 장기 예측을 달성하여, 양자 저항계의 기억력과 비선형성의 강건성을 입증하였다.
• 저항계 학습 후 선형 독출만 필요로 하므로 계산적으로 효율적이며, NISQ 시대의 장치에 적합하다.
• 공간 다중화의 사용은 저항계의 용량과 특징 표현 능력을 향상시켜 성능 향상을 이끌었다.
• 오류 보정이나 깊은 양자 회로가 필요하지 않기 때문에, 이 방법은 현재의 양자 하드웨어에서 실험적으로 실현 가능하다.