[논문 리뷰] QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity

Samuel A. Stein, Betis Baheri외 6명|arXiv (Cornell University)|2021. 03. 21.

Quantum Computing Algorithms and Architecture참고 문헌 38인용 수 16

한 줄 요약

QuClassi는 이중 및 다중 클래스 분류를 위한 효율적인 방법으로 양자 상태의 일치도를 활용하는 하이브리드 양자-고전 딥 뉴럴 네트워크 아키텍처를 제안한다. 더 적은 큐비트로 데이터를 인코딩하고 양자 미분 함수를 통해 최적화함으로써 QuClassi는 다중 클래스 작업에서 QuantumFlow 대비 최대 203.00% 높은 정확도를 달성하며, 고전적 네트워크 대비 파라미터를 97.37% 감소시켜 IBM-Q 및 IonQ 플랫폼을 포함한 실제 양자 하드웨어에서 최신 기술 수준의 양자 모델을 초월한다.

ABSTRACT

In the past decade, remarkable progress has been achieved in deep learning related systems and applications. In the post Moore's Law era, however, the limit of semiconductor fabrication technology along with the increasing data size have slowed down the development of learning algorithms. In parallel, the fast development of quantum computing has pushed it to the new ear. Google illustrates quantum supremacy by completing a specific task (random sampling problem), in 200 seconds, which is impracticable for the largest classical computers. Due to the limitless potential, quantum based learning is an area of interest, in hopes that certain systems might offer a quantum speedup. In this work, we propose a novel architecture QuClassi, a quantum neural network for both binary and multi-class classification. Powered by a quantum differentiation function along with a hybrid quantum-classic design, QuClassi encodes the data with a reduced number of qubits and generates the quantum circuit, pushing it to the quantum platform for the best states, iteratively. We conduct intensive experiments on both the simulator and IBM-Q quantum platform. The evaluation results demonstrate that QuClassi is able to outperform the state-of-the-art quantum-based solutions, Tensorflow-Quantum and QuantumFlow by up to 53.75% and 203.00% for binary and multi-class classifications. When comparing to traditional deep neural networks, QuClassi achieves a comparable performance with 97.37% fewer parameters.

연구 동기 및 목표

• 기존의 양자 머신 러닝 모델이 다중 클래스 분류에서 높은 큐비트 수와 파라미터 요구량으로 인해 약점이 있음을 해결하기 위해.
• 낮은 큐비트 사용량과 효율적인 훈련을 유지하면서도 확장 가능한 양자 신경망 아키텍처를 개발하기 위해.
• IBM-Q 및 IonQ를 포함한 실제 양자 프로세서에서 최신 기술 수준의 양자 및 고전 모델에 비해 뛰어난 성능을 보여주기 위해.
• 하이브리드 양자-고전 프레임워크에 양자 상태 일치도를 통합하여 딥 러닝에서의 양자 가속 가능성을 탐색하기 위해.
• 근현실 양자 하드웨어를 사용해 10개 클래스 데이터셋에서 고정확도 분류를 가능하게 하는 일반화 가능한 아키텍처를 제공하기 위해.

제안 방법

• 고전적 데이터가 감소된 큐비트 수를 가진 파arameterized 양자 회로를 사용해 양자 상태로 인코딩되는 하이브리드 양자-고전 아키텍처를 QuClassi가 활용한다.
• 모델은 양자 하드웨어에서 백프로파게이션을 통해 파라미터를 최적화하기 위해 기울기를 계산하기 위해 양자 미분 함수를 사용한다.
• 양자 상태 일치도는 최적의 분류 성능을 보장하기 위해 출력된 양자 상태를 평가하고 개선하는 데 사용되는 지표로 활용된다.
• 아키텍처는 양자 시뮬레이터에서 반복적으로 훈련된 후, Microsoft Azure Quantum 를 통해 IBM-Q 및 IonQ를 포함한 실제 양자 플랫폼에 배포된다.
• 모델은 양자 회로의 구조와 손실 함수를 적절히 확장함으로써 이진 및 다중 클래스 분류를 모두 지원한다.
• 실험에서는 노이즈가 있는 중간 규모 양자(NISQ) 장치에서 안정성을 확보하기 위해 에포크당 8000회의 측정을 통해 회로 손실을 측정한다.

실험 결과

연구 질문

• RQ1 기존의 고전적 모델에 비해 훨씬 적은 큐비트와 파라미터를 사용하면서도 다중 클래스 분류에서 높은 정확도를 달성할 수 있는 양자 신경망 아키텍처가 존재할 수 있는가?
• RQ2 하이브리드 양자-고전 딥 러닝 시스템에서 양자 상태 일치도를 사용할 경우 분류 성능가 어떻게 향상되는가?
• RQ3 실제 양자 하드웨어에서 QuClassi가 TensorFlow Quantum 및 QuantumFlow와 같은 기존의 양자 머신 러닝 프레임워크를 어느 정도 초월할 수 있는가?
• RQ4 하드웨어 특화 노이즈와 연결 구조가 실질적인 배포에서 양자 신경망의 성능에 어떤 영향을 미치는가?
• RQ5 근현실 양자 장치를 사용해 복잡한 데이터셋인 MNIST(10개 클래스)에서 경쟁 가능한 정확도를 달성할 수 있는가?

주요 결과

• 실제 양자 하드웨어와 시뮬레이터에서 QuClassi는 TensorFlow Quantum 대비 이진 분류 정확도에서 최대 53.75% 높은 성능을 보였다.
• 다중 클래스 분류에서 QuClassi는 QuantumFlow 대비 203.00%의 성능 향상을 달성하여 복잡한 작업에서의 우수성을 입증했다.
• IBM-Q London에서 Iris 데이터셋에서 96.15%의 정확도를 달성했으며, 시뮬레이터 결과와 밀도를 유지하며 하드웨어 노이즈에 대한 강건성을 보였다.
• 4차원 MNIST 데이터셋에서 QuClassi-S는 IBM-Q Rome에서 95.98%의 정확도를 기록했으며, 시뮬레이션 결과와 0.2% 이내의 편차를 보여 실제 환경에서의 높은 일치도를 입증했다.
• IonQ의 트랩된 이온 플랫폼은 3,6 구성에서 80.00%의 정확도를 기록했으며, 회로 깊이가 낮고 SWAP 게이트가 필요 없어 IBM-Q Cairo(72.00%)를 능가했다.
• QuClassi는 고전적 딥 뉴럴 네트워크 대비 최대 97.37%의 모델 파라미터를 감소시키면서도 유사한 성능을 유지해 효율성을 입증했다.