[논문 리뷰] The fundamentals of quantum machine learning

Bing Huang, Nadine O. Symonds외 1명|arXiv (Cornell University)|2018. 07. 11.

Machine Learning in Materials Science참고 문헌 26인용 수 8

한 줄 요약

이 논문은 분자의 및 물질의 양자역학적 성질을 예측하는 데 효과적인 모델로 커널 리지 회귀(KRR)와 가우시안 프로세스 회귀를 중심으로 양자 기계학습(QML)의 기초 원리를 검토한다. 화학적으로 의미 있는 조각(amons)을 학습 데이터로 사용할 경우, 매우 적은 데이터로도 화학 정확도(1 kcal/mol)에 빠르게 수렴할 수 있으며, 단지 40개의 amons로도 이를 달성한다. 이는 랜덤 샘플링보다 뛰어난 성능을 보이며, 표현 방식과 학습 곡선이 모델 성능에 미치는 핵심적 역할을 입증한다.

ABSTRACT

Within the past few years, we have witnessed the rising of quantum machine learning (QML) models which infer electronic properties of molecules and materials, rather than solving approximations to the electronic Schrodinger equation. The increasing availability of large quantum mechanics reference data sets have enabled these developments. We review the basic theories and key ingredients of popular QML models such as choice of regressor, data of varying trustworthiness, the role of the representation, and the effect of training set selection. Throughout we emphasize the indispensable role of learning curves when it comes to the comparative assessment of different QML models.

연구 동기 및 목표

• 양자역학적 성질을 예측하기 위한 양자 기계학습(QML) 모델의 핵심 구성 요소에 대한 종합적인 이해를 수립하기 위해.
• 특히 amons를 포함한 표현 방식 선택이 모델 성능과 데이터 효율성에 미치는 영향을 평가하기 위해.
• 학습 곡선이 다양한 학습 데이터 선택 전략 간에 QML 모델을 객관적으로 비교하는 데 중요한 역할을 하는 이유를 입증하기 위해.
• 고속도 재료 선별에서 정확도와 계산 효율성의 균형을 맞추는 데 도전하는 데 위해.
• 다중 정밀도 학습과 조각 기반 표현 방식이 학습 데이터를 초월한 외삽 가능성에 미치는 잠재적 영향을 탐색하기 위해.

제안 방법

• 원자 표현을 기반으로 양자역학적 관측량을 예측하기 위해 커널 리지 회귀(KRR)와 가우시안 프로세스 회귀를 주요 모델로 사용한다.
• 화학 환경 영향을 캡처하기 위해 'amons'라고 불리는 조각 기반 표현 방식을 도입한다. 이는 포화된 유일한 분자 조각으로, 허위 원자처럼 작용한다.
• 학습 곡선을 적용하여 모델 성능과 데이터 효율성을 정량적으로 평가하고, 랜덤 샘플링과 화학적으로 정보가 풍부한 학습 세트 선택 전략을 비교한다.
• 고정밀도 양자화학 계산(DFT, QMC 등)에서 유도된 학습 데이터를 사용하여 분자의 표현을 레이블링한다.
• 낮은 정밀도와 높은 정밀도 데이터를 조합하여 다중 정밀도 학습을 통합함으로써, 제한된 고정밀도 데이터로도 모델 정확도를 향상시킨다.
• 다체 전개(예: FCHL 또는 aSLATM)와 같은 원자 표현 방식을 활용하여 국소 화학 환경을 벡터 형태로 변환하여 회귀기의 입력으로 제공한다.

실험 결과

연구 질문

• RQ1 양자 기계학습 모델은 양자역학적 성질을 예측하기 위해 최소한의 학습 데이터로 어떻게 높은 정확도를 달성할 수 있는가?
• RQ2 특히 amons를 포함한 표현 방식 선택이 QML 모델의 데이터 효율성과 예측 능력에 어떤 영향을 미치는가?
• RQ3 학습 곡선은 다양한 QML 모델과 학습 세트 선택 전략 간의 객관적 비교를 어떻게 가능하게 하는가?
• RQ4 조각 기반 표현(amons)은 광범위한 화학 공간을 넘어선 신뢰할 수 있는 외삽을 가능하게 하는가?
• RQ5 고정밀도 데이터가 부족한 상황에서 다중 정밀도 학습은 모델 정확도를 어떻게 향상시키는가?

주요 결과

• amons를 학습 데이터로 사용할 경우, 단지 40개의 amons로도 분자의 위치 에너지를 예측하는 데 화학 정확도(1 kcal/mol)에 도달할 수 있으며, 이는 놀라운 데이터 효율성을 보여준다.
• 학습 곡선 분석 결과, amons 기반 학습 세트는 랜덤 샘플링보다 훨씬 급격한 수렴 곡선을 보이며, 더 뛰어난 데이터 효율성을 입증한다.
• 커널 리지 회귀(KRR)는 효율적인 표현 방식과 조합될 경우 해석 가능성과 학습 용이성 면에서 강력한 기준 모델이 된다.
• 연구 결과는 표현 방식이 QML 성능에 결정적인 영향을 미친다는 점을 확인하였으며, amons가 더 단순한 기술자표현보다 화학 환경 영향을 더 잘 포괄하고 있음을 입증한다.
• 다중 정밀도 학습 전략은 제한된 고정밀도 학습 예제로도 저정밀도 및 고정밀도 데이터를 효과적으로 활용하여 모델 정확도를 향상시킨다.
• 다만 진전이 있었음에도 불구하고 QML는 여전히 초기 단계에 있으며, 여기 상태, 전도도, 상전이와 같은 복잡한 성질에 대한 적용은 제한되어 있다.