[논문 리뷰] Support Vector Machines on Noisy Intermediate Scale Quantum Computers

Jiaying Yang, Awan, Ahsan Javed외 1명|arXiv (Cornell University)|2019. 09. 26.

Quantum Computing Algorithms and Architecture참고 문헌 18인용 수 12

한 줄 요약

이 논문은 노이즈가 많은 중규모 양자(NISQ) 컴퓨터를 위한 최적화된 양자 서포트 벡터 머신(QSVM) 프레임워크를 제안한다. 선형으로 분리 가능한 2차원 데이터셋에 적합한 사전처리 모듈, 양자 토모그래피를 피하기 위한 고전적 결과 읽기 방법, 그리고 깊이가 감소한 HHL 회로를 포함한다. 이 방법은 실제 IBMQX2 하드웨어에서 98–99.5%의 분류 정확도를 달성하였으며, 이전 연구 대비 회로 깊이를 줄이고 신뢰도를 78.4% 향상시켰다.

ABSTRACT

Support vector machine algorithms are considered essential for the implementation of automation in a radio access network. Specifically, they are critical in the prediction of the quality of user experience for video streaming based on device and network-level metrics. Quantum SVM is the quantum analogue of the classical SVM algorithm, which utilizes the properties of quantum computers to speed up the algorithm exponentially. In this work, we derive an optimized preprocessing unit for a quantum SVM that allows classifying any two-dimensional datasets that are linearly separable. We further provide a result readout method of the kernel matrix generation circuit to avoid quantum tomography that, in turn, reduces the quantum circuit depth. We also derive a quantum SVM system based on an optimized HHL quantum circuit with reduced circuit depth.

연구 동기 및 목표

• 제한된 큐비트 수와 높은 노이즈를 가진 NISQ 장치에서 양자 SVM을 구현하는 데 도전하는 것.
• 실제 양자 하드웨어에서 소규모 학습 데이터에 대해 회로 깊이를 줄이고 신뢰도를 향상시키는 것.
• 자원을 많이 소비하는 양자 토모그래피에 의존하지 않고 선형으로 분리 가능한 2차원 데이터셋을 정확하게 분류할 수 있도록 하는 것.
• 현재의 노이즈가 있는 양자 프로세서에서 높은 정확도를 유지할 수 있는 실용적인 QSVM 시스템을 설계하는 것.

제안 방법

• 선형으로 분리 가능한 2차원 데이터셋을 어떤 경우에도 QSVM에 적합한 양자 상태로 매핑할 수 있도록 최적화된 사전처리 모듈을 유도하여, 원점을 통과하는 결정 경계를 통해 분류를 가능하게 한다.
• 커널 행렬 생성 회로에 대해 고전적 결과 읽기 방법을 도입하여, 양자 상태 토모그래피가 필요 없게 하고 회로 깊이를 줄인다.
• NISQ 장치에서 성능을 향상시키기 위해 깊이를 감소시킨(20에서 7로) 재설계된 HHL 양자 회로를 제안한다.
• 얕은 회로와의 호환성을 향상시키기 위해 새로운 공식을 사용한 학습 데이터 오라클을 이용해 커널 행렬을 생성한다.
• 최적화된 사전처리, 커널 생성, HHL 회로를 통합하여 완전한 QSVM 파이프라인을 구성한다.
• 모의 실험과 실제 양자 장치의 확률 분포 간 제닝스-클로이저 발산을 사용해 신뢰도를 평가한다.

실험 결과

연구 질문

• RQ1 제한된 큐비트 협응 시간과 높은 노이즈를 가진 현재의 NISQ 하드웨어에서 작동할 수 있도록 효율적이고 정확한 QSVM 시스템을 만들 수 있는가?
• RQ2 QSVM 결과 읽기 과정에서 양자 토모그래피를 피할 수 있는 방법은 무엇이며, 이를 통해 회로 깊이를 줄이고 확장성을 향상시킬 수 있는가?
• RQ3 HHL 최적화를 통한 회로 깊이 감소가 실제 양자 프로세서에서 분류 정확도에 얼마나 기여하는가?
• RQ4 사전 데이터 구조 가정 없이 어떤 선형으로 분리 가능한 2차원 데이터셋이라도 처리할 수 있는 사전처리 모듈을 설계할 수 있는가?
• RQ5 회로 깊이가 실제 NISQ 장치에서의 양자 분류 결과의 신뢰도에 어떤 영향을 미치는가?

주요 결과

• 최적화된 QSVM 시스템은 로컬 시뮬레이터에서 최적화된 베이스라인을 사용해 아이ris 데이터셋에서 98%의 정확도, OCR 데이터셋에서 98%의 정확도를 달성했다.
• IBMQX2 양자 프로세서에서 최적화된 HHL 회로는 OCR 데이터셋에서 99.5%의 정확도, 아이리스 데이터셋에서 98%의 정확도를 기록했다.
• 최적화된 HHL 회로는 실제 장치와 이상적 시뮬레이터의 확률 분포 간 제닝스-클로이저 발산을 기존 회로 대비 78.4% 감소시켰다.
• 고전적 결과 읽기 방법은 성공적으로 양자 토모그래피를 피하여 더 빠르고 신뢰도 높은 분류 결과를 가능하게 했다.
• HHL 구성 요소의 회로 깊이가 20에서 7로 감소하여, 현재 NISQ 하드웨어와의 호환성에 크게 기여했다.
• 시스템은 깊이 감소와 고전적 읽기 방법이 실제 양자 장치에서 QSVM 성능 향상에 효과적인 전략임을 입증했다.