[논문 리뷰] The Power of One Qubit in Machine Learning

Roohollah Ghobadi, Jaspreet S. Oberoi외 1명|arXiv (Cornell University)|2019. 05. 03.

Quantum Computing Algorithms and Architecture참고 문헌 3인용 수 7

한 줄 요약

이 논문은 근미래 양자 장치에서 고전적으로 다루기 어려운 커널 함수를 추정하기 위해 DQC1 모델을 활용하는 양자 머신러닝 알고리즘을 제안한다. 한 큐비트 시스템 내의 양자 논란을 활용함으로써, 합성 데이터셋에서 고전적 RBF 커널과 비교해 유사한 분류 성능를 달성하며, 커널 기반 학습에서 양자 우월성에 이르는 실용적인 길을 제시한다.

ABSTRACT

Kernel methods are used extensively in classical machine learning, especially in the field of pattern analysis. In this paper, we propose a kernel-based quantum machine learning algorithm that can be implemented on a near-term, intermediate scale quantum device. Our proposal is based on estimating classically intractable kernel functions, using a restricted quantum model known as deterministic quantum computing with one qubit. Our method provides a framework for studying the role of quantum correlations other than quantum entanglement for machine learning applications.

연구 동기 및 목표

• 근미래의 노이지 중간 규모 양자(NISQ) 장치와 호환되는 실용적인 양자 머신러닝 접근법을 개발하는 것.
• 엔트랑글램트를 활용하는 대신, DQC1 모델 내의 양자 상관관계—특히 양자 논란—을 활용해 커널 추정을 수행하는 것.
• 신뢰도 추정을 통한 노이즈 영향 평가 프레임워크를 제공하는 것.
• 한 큐비트로 제한된 양자 모델을 사용해 고전적으로 다루기 어려운 커널을 효율적으로 추정할 수 있음을 보여주는 것.
• 합성 데이터셋(예: 반달과 원)에서 양자 커널 방법이 고전적 RBF 커널 성능을 따라할 수 있음을 보여주는 것.

제안 방법

• 데이터에 인코딩된 큐비트에 적용된 유니터리 연산의 트레이스를 계산하여 DQC1 모델을 사용해 커널 함수를 추정한다.
• 입력 데이터 포인트는 제어 큐비트와 n 큐비트 레지스터로 구성되며, 레지스터는 혼합 상태로 초기화된다.
• 제어 큐비트에서의 기대값 〈Z〉 = Tr(ρ_n U(x) U†(x'))을 통해 커널 함수를 추정하며, 여기서 ρ_n은 최대 혼합 상태이다.
• 양자 우월성의 근원으로 양자 논란을 활용하며, 엔트랑글램트가 아닌 것으로서 노이즈에 대한 강건성을 확보한다.
• 동일한 입력에서의 커널 값 〈K(x,x)〉를 사용해 평균 프로세스 신뢰도를 추정하는 신뢰도 기반 노이즈 특성 분석을 도입한다.
• 양자 커널을 고전적 SVM 분류기의 입력으로 사용하며, 합성 2차원 데이터셋에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 DQC1 모델은 NISQ 장치에서 커널 기반 양자 머신러닝에 효과적으로 재사용될 수 있는가?
• RQ2 엔트랑글램트가 존재하지 않을 때, 양자 논란은 커널 추정에서 양자 우월성을 어떻게 가능하게 하는가?
• RQ3 양자 게이트의 노이즈는 이 프레임워크에서 커널 함수와 분류 성능에 어떤 영향을 미치는가?
• RQ4 한 큐비트 양자 시스템은 고전적으로 다루기 어려운 커널을 고전적 RBF 커널과 유사한 성능로 추정할 수 있는가?
• RQ5 커널 함수 값과 양자 프로세스의 신뢰도 간의 관계는 무엇이며, 이를 노이즈 특성 분석에 활용할 수 있는가?

주요 결과

• 레지스터가 혼합 상태로 초기화된 경우, 노이즈가 없는 반달 데이터셋에서 훈련 및 테스트 정확도가 각각 100%를 기록했다.
• 노이즈가 있는 반달 데이터셋(ζ=0.15)에서, 혼합 상태 양자 커널은 98%의 테스트 정확도를 유지했으며, 고전적 RBF 커널의 98%와 유사했다.
• 원 데이터셋에서, 혼합 상태 양자 커널은 ζ=0.1일 때 82%의 테스트 정확도를 기록했으며, 고전적 RBF 커널의 81% 성능과 일치했다.
• 모든 데이터셋과 노이즈 수준에서 혼합 상태 초기화가 순수 상태 초기화보다 일관되게 뛰어난 성능를 보였다.
• 프로세스의 신뢰도는 커널 값 K(x,x)를 통해 효율적으로 추정되었으며, 〈K(x,x)〉 < 1은 노이즈 영향을 나타냈다.
• 이 방법은 커널의 고전적 처리 가능성에 필요한 조건을 제공하며, 커널 구조와 계산 복잡도 간의 연관성을 연결한다.