[논문 리뷰] Systematic Literature Review: Quantum Machine Learning and its applications

David Peral García, Juan Cruz-Benito외 1명|arXiv (Cornell University)|2022. 01. 11.

Quantum Computing Algorithms and Architecture인용 수 47

한 줄 요약

논문은 2017년부터 2023년까지의 문헌을 양자 기계 학습 알고리즘과 그 응용 분야에 대해 검토하고, 구현, 도메인 및 하드웨어 한계점을 강조한다.

ABSTRACT

Quantum computing is the process of performing calculations using quantum mechanics. This field studies the quantum behavior of certain subatomic particles for subsequent use in performing calculations, as well as for large-scale information processing. These capabilities can give quantum computers an advantage in terms of computational time and cost over classical computers. Nowadays, there are scientific challenges that are impossible to perform by classical computation due to computational complexity or the time the calculation would take, and quantum computation is one of the possible answers. However, current quantum devices have not yet the necessary qubits and are not fault-tolerant enough to achieve these goals. Nonetheless, there are other fields like machine learning or chemistry where quantum computation could be useful with current quantum devices. This manuscript aims to present a Systematic Literature Review of the papers published between 2017 and 2023 to identify, analyze and classify the different algorithms used in quantum machine learning and their applications. Consequently, this study identified 94 articles that used quantum machine learning techniques and algorithms. The main types of found algorithms are quantum implementations of classical machine learning algorithms, such as support vector machines or the k-nearest neighbor model, and classical deep learning algorithms, like quantum neural networks. Many articles try to solve problems currently answered by classical machine learning but using quantum devices and algorithms. Even though results are promising, quantum machine learning is far from achieving its full potential. An improvement in the quantum hardware is required since the existing quantum computers lack enough quality, speed, and scale to allow quantum computing to achieve its full potential.

연구 동기 및 목표

• 2017-2023년 문헌에서 사용된 양자 기계 학습 알고리즘을 식별하고 분류한다.
• 이 알고리즘들이 어떻게 구현되었는지(회로, 안츠, 하이브리드)와 응용 도메인을 분석한다.
• QML 방법을 평가하기 위해 사용된 지표와 실험 설정(시뮬레이터 vs. 실제 장치)을 평가한다.
• 양자 기계 학습의 잠재력을 제한하는 하드웨어 및 방법론적 문제점을 논의한다.
• 연구 재현 가능한 검토 워크플로우와 연구 대상 작업 목록을 제공한다.

제안 방법

• 연구 계획, 수행 및 보고를 위한 체계적 문헌 고찰 지침(Kitchenham et al.)을 따른다.
• 키워드: 'quantum machine learning', 'quantum deep learning', 'quantum neural network'를 사용하여 IEEE Xplore, Web of Science, Science Direct 및 IBM Quantum Network Papers를 검색한다.
• 포함/배제 기준 및 품질 기준(목표, 구현된 솔루션, 결과, 사용된 양자 회로)을 적용하여 연구를 선택한다.
• 연구 식별에 PRISMA 다이어그램을 사용하고, 검토 과정의 재현성을 위해 GitHub를 활용한다.
• 참조 관리는 Parsifal로, 서지 관리는 Mendeley로 수행한다.

실험 결과

연구 질문

• RQ1 양자 기계 학습 연구에서 어떤 유형의 알고리즘이 사용되었는가?
• RQ2 연구들이 하이브리드 알고리즘을 사용했는가, 아니면 순수한 양자 알고리즘을 사용했는가?
• RQ3 문헌에 보고된 양자 기계 학습의 적용 도메인은 무엇인가?
• RQ4 알고리즘 성능을 평가하는 데 사용된 지표와 보고된 값은 무엇인가?
• RQ5 실험은 시뮬레이터에서 수행되었는가, 아니면 실제 양자 장치에서 수행되었는가?

주요 결과

• 검토 결과 양자 기계 학습 기법과 알고리즘을 사용한 94편의 논문이 식별되었다.
• 주요 알고리즘 유형은 고전 ML의 양자 구현(SVM, k-NN 등)과 양자 신경망과 같은 고전 깊은 학습의 유사체를 포함한다.
• 이미지 분류가 두드러진 응용 영역으로 부상했다.
• 비록 유망하더라도 양자 기계 학습은 현재 큐비트 품질, 속도 및 규모의 하드웨어 한계에 직면해 있다.
• 실제 양자 하드웨어에서의 결과를 보고하는 연구는 드물고, 많은 연구가 시뮬레이션이나 하이브리드 접근에 의존한다.
• 연구는 양자 하드웨어의 개선과 확장 가능한 양자 회로 설계의 필요성을 강조한다.