[논문 리뷰] Smooth input preparation for quantum and quantum-inspired machine learning

Zhikuan Zhao, Jack Fitzsimons외 3명|arXiv (Cornell University)|2018. 04. 01.

Quantum Computing Algorithms and Architecture인용 수 7

한 줄 요약

이 논문은 일반적인 엔트리별 쿼리 모델 하에서 양자 및 양자 유사 기계학습 알고리즘의 런타임 복잡도가 다항로그 시간으로 달성될 수 있음을 입증한다. 이는 입력 데이터가 작은 변동에 대해 안정적일 경우, 진폭 인코딩된 상태 준비와 ℓ2-샘플링이 상수 개의 쿼리로 가능하다는 것을 증명함으로써 이루어진다. 핵심 결과는 스무스 분석을 통해 실제 노이즈가 있는 기계학습 환경에서도 효율적인 준비가 가능하다는 것이며, 이는 Kerenidis-Prakash 모델에서처럼 특수한 데이터 구조가 필요로 하는 것을 제거한다.

ABSTRACT

Machine learning has recently emerged as a fruitful area for finding potential quantum computational advantage. Many of the quantum enhanced machine learning algorithms critically hinge upon the ability to efficiently produce states proportional to high-dimensional data points stored in a quantum accessible memory. Even given query access to exponentially many entries stored in a database, the construction of which is considered a one-off overhead, it has been argued that the cost of preparing such amplitude-encoded states may offset any exponential quantum advantage. Here we prove using smoothed analysis, that if the data-analysis algorithm is robust against small entry-wise input perturbation, state preparation can always be achieved with constant queries. This criterion is typically satisfied in realistic machine learning applications, where input data is subjective to moderate noise. Our results are equally applicable to the recent seminal progress in quantum-inspired algorithms, where specially constructed databases suffice for polylogarithmic classical algorithm in low-rank cases. The consequence of our finding is that for the purpose of practical machine learning, polylogarithmic processing time is possible under a general and flexible input model with quantum algorithms or quantum-inspired classical algorithms in the low-rank cases.

연구 동기 및 목표

• 양자 및 양자 유사 기계학습 알고리즘에서 효율적인 입력 상태 준비의 핵심 과제를 해결한다.
• 특히 진폭 인코딩이 최악의 경우 Ω(√D) 쿼리가 필요할 수 있다는 일반적인 비판을 극복한다.
• 실제 기계학습 알고리즘이 작은 엔트리별 변동에 대해 안정적임을 입증함으로써 효율적인 준비가 가능하다는 것을 보여준다.
• 양자 진폭 인코딩과 고전적 ℓ2-샘플링이 이 안정성 가정 하에 상수 개의 쿼리로 달성될 수 있음을 보여준다.
• 일반적인 입력 액세스 하에서 다항로그 시간 효율성이 달성 가능함을 증명함으로써, 양자 유사 알고리즘에서 특수한 데이터 구조(예: Kerenidis-Prakash 트리)의 필요성을 제거한다.

제안 방법

• 실제 노이즈를 모델링하기 위해 스무스 분석을 적용하고, 데이터 엔트리에 대한 작은 변동이 일반적임을 가정한다.
• 오라클을 통한 엔트리별 액세스만 가능한 일반적인 입력 모델을 정의하며, 사전 계산된 부분합이 아닌 것을 가정한다.
• ∞-노름 변동에 대한 안정성(즉, |x′ − x|∞ ≤ ϵ)이 상수 개의 쿼리로 진폭 상태 준비의 높은 성공 확률을 암시함을 이용한다.
• 제어 회전과 후선택을 통한 양자 진폭 인코딩의 구조를 활용하여, 노이즈 하에서도 성공 확률이 0에서 멀리 떨어져 있음을 보여준다.
• 양자 유사 알고리즘에서 고전적 ℓ2-샘플링으로의 확장을 통해, 특수한 데이터 구조 없이도 다항로그 시간 런타임이 달성 가능함을 보여준다.
• 스무스 복잡도 이론을 사용하여 공식화하여, 데이터 차원 D와 관계없이 기대 쿼리 수가 상수임을 입증한다.

실험 결과

연구 질문

• RQ1 실제 입력 노이즈 하에서 양자 진폭 인코딩은 상수 쿼리 복잡도로 달성될 수 있는가?
• RQ2 기계학습 알고리즘이 작은 입력 변동에 대해 안정적일 경우, 특수한 데이터 구조 없이도 효율적인 상태 준비가 가능한가?
• RQ3 양자 유사 고전 알고리즘은 Kerenidis-Prakash 스타일의 데이터 구조 없이도 다항로그 시간 런타임을 달성할 수 있는가?
• RQ4 실제 노이즈 모델 하에서 진폭 인코딩의 스무스 복잡도는 상수로 유 bounds 되는가?
• RQ5 ∞-노름 안정성 가정은 입력 준비에서 고비용의 사전 계산된 부분합의 필요성을 얼마나 완화하는가?

주요 결과

• ∞-노름 변동 크기 ϵ에 대해 안정적인 임의의 입력 벡터에 대해, 양자 진폭 인코딩은 차원 D와 무관하게 상수 쿼리 복잡도로 달성 가능하다.
• 작은 엔트리별 변동 하에서도 후선택을 통한 상태 준비의 성공 확률은 0에서 멀리 떨어져 있어, 기대 쿼리 수가 상수로 유지된다.
• 같은 안정성 가정 하에서 고전적 ℓ2-샘플링은 사전 계산된 부분합에 접근할 수 없더라도 다항로그 시간 복잡도로 달성 가능하다.
• 일반적인 엔트리별 액세스 하에서 특수한 데이터 구조(예: Kerenidis-Prakash 트리)의 필요성이 제거되며, 상수 쿼리 준비가 가능하다.
• 진폭 인코딩의 스무스 복잡도는 O(1)이며, 이는 실제 노이즈 모델 하에서 기대 쿼리 수가 차원 D와 무관함을 의미한다.
• 입력 벡터에 소수의 큰 요소가 포함되어 있어도, 알고리즘이 개별 요소의 작은 변화에 대해 안정적이라면 결과는 그대로 유지된다.