[논문 리뷰] Scalable Quantum Neural Networks for Classification

Jindi Wu, Zeyi Tao외 1명|arXiv (Cornell University)|2022. 08. 04.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 현재의 하드웨어 한계를 극복하기 위해 데이터 처리를 여러 개의 작은 양자 장치에 분산시키는 확장 가능한 양자 신경망(SQNN)을 제안한다. 병렬 양자 특징 추출기와 중앙 집중식 양자 예측기의 조합을 통해 SQNN는 표준 QNN와 유사한 정확도를 달성하면서도 추가적인 양자 자원이 증가함에 따라 효과적으로 확장되며, 큐비트 용량이 증가할수록 뚜렷한 성능 향상을 보여준다.

ABSTRACT

Many recent machine learning tasks resort to quantum computing to improve classification accuracy and training efficiency by taking advantage of quantum mechanics, known as quantum machine learning (QML). The variational quantum circuit (VQC) is frequently utilized to build a quantum neural network (QNN), which is a counterpart to the conventional neural network. Due to hardware limitations, however, current quantum devices only allow one to use few qubits to represent data and perform simple quantum computations. The limited quantum resource on a single quantum device degrades the data usage and limits the scale of the quantum circuits, preventing quantum advantage to some extent. To alleviate this constraint, we propose an approach to implementing a scalable quantum neural network (SQNN) by utilizing the quantum resource of multiple small-size quantum devices cooperatively. In an SQNN system, several quantum devices are used as quantum feature extractors, extracting local features from an input instance in parallel, and a quantum device works as a quantum predictor, performing prediction over the local features collected through classical communication channels. The quantum feature extractors in the SQNN system are independent of each other, so one can flexibly use quantum devices of varying sizes, with larger quantum devices extracting more local features. Especially, the SQNN can be performed on a single quantum device in a modular fashion. Our work is exploratory and carried out on a quantum system simulator using the TensorFlow Quantum library. The evaluation conducts a binary classification on the MNIST dataset. It shows that the SQNN model achieves a comparable classification accuracy to a regular QNN model of the same scale. Furthermore, it demonstrates that the SQNN model with more quantum resources can significantly improve classification accuracy.

연구 동기 및 목표

• 노이즈가 많은 중규모 양자(NISQ) 장치에서 큐비트 수와 연결성의 제한으로 인한 현재의 양자 신경망의 확장성 문제를 해결한다.
• 양자 인코딩 방법에서 데이터 표현 능력과 하드웨어 구현 가능성 사이의 상충 관계를 극복한다.
• 단일 대규모 양자 프로세서가 필요하지 않도록 대규모 양자 기계학습을 가능하게 한다.
• 양자 우월성을 유지하면서도 고전적 계산 오버헤드를 최소화하는 분산 양자 아키텍처를 설계한다.
• 모듈러하고 협업형 양자 장치가 고차원 데이터(예: MNIST)에서 정확한 분류기를 훈련시킬 수 있는가를 입증한다.

제안 방법

• 고차원 입력 데이터를 여러 세그먼트로 분할하여 개별 작은 양자 장치의 용량에 맞춘다.
• 각각의 별도된 양자 장치를 양자 특징 추출기로 사용하여, 할당된 데이터 세그먼트에서 국소적 특징을 추출하기 위해 변동형 양자 회로(VQC)를 적용한다.
• 고전적 통신 채널을 통해 특징 추출기에서 추출된 양자 특징을 중앙 집중식 양자 예측기로 전송한다.
• 융합된 국소적 특징을 기반으로 최종 분류를 수행하기 위해 단일 양자 장치를 양자 예측기로 사용한다.
• 모듈러한 방식으로 SQNN 아키텍처를 구현하여, 하나의 양자 장치가 전체 네트워크를 호스팅할 수 있도록 한다.
• 스토하스틱 경량 하강법(SGD)을 통해 고전적으로 계산된 파라미터 업데이트를 사용하는 하이브리드 양자-고전 최적화 루프로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 여러 개의 작은 양자 장치로 구성된 분산 양자 아키텍처가 대규모 양자 신경망을 효과적으로 시뮬레이션할 수 있는가?
• RQ2 동일한 총 양자 자원을 가진 표준 QNN와 비교했을 때 SQNN의 분류 정확도는 어떻게 되는가?
• RQ3 더 많은 양자 자원이 추가될수록 SQNN의 성능은 어느 정도로 확장될 수 있는가?
• RQ4 SQNN는 모듈러하고 확장 가능한 방식으로 단일 양자 장치에 구현될 수 있는가?
• RQ5 SQNN 접근법은 양자 우월성을 해치는 고전적 사전 처리 또는 특징 감소 기법이 필요하지 않은가?

주요 결과

• MNIST 데이터셋에서 평가했을 때 SQNN 모델은 동일한 규모의 표준 QNN와 유사한 분류 정확도를 달성한다.
• 시스템 전반에 걸쳐 사용된 큐비트 총 수가 증가할수록 분류 정확도가 뚜렷하고 측정 가능한 수준으로 향상된다.
• SQNN 프레임워크는 개별 장치의 자원 제약이 있는 상황에서도 대규모 양자 신경망의 훈련을 가능하게 한다.
• 모듈러한 설계 덕분에 하나의 작은 양자 장치가 전체 SQNN 아키텍처를 호스팅할 수 있어 기존 하드웨어에서의 확장성을 보장한다.
• 데이터 사전 처리를 위한 추가 고전적 계산을 피함으로써 잠재적인 양자 가속 효과를 유지한다.
• 심지어 시뮬레이션 환경에서도 여러 양자 장치의 협업을 통해 실현 가능성과 성능 향상을 입증한다.