[논문 리뷰] Unsupervised Machine Learning on a Hybrid Quantum Computer

Johannes Otterbach, Riccardo Manenti외 28명|arXiv (Cornell University)|2017. 12. 15.

Quantum Computing Algorithms and Architecture인용 수 220

한 줄 요약

본 논문은 19-퀀비트 게이트-모델 양자 프로세서를 사용하여 QAOA와 베이지안 최적화를 통해 클러스터링을 수행하는 하이브리드 양자-고전적 접근법을 제시하며, 노이즈에도 불구하고 임의 인스턴스에서 최적 또는 근접 최적의 MaxCut 해를 달성한다.

ABSTRACT

Machine learning techniques have led to broad adoption of a statistical model of computing. The statistical distributions natively available on quantum processors are a superset of those available classically. Harnessing this attribute has the potential to accelerate or otherwise improve machine learning relative to purely classical performance. A key challenge toward that goal is learning to hybridize classical computing resources and traditional learning techniques with the emerging capabilities of general purpose quantum processors. Here, we demonstrate such hybridization by training a 19-qubit gate model processor to solve a clustering problem, a foundational challenge in unsupervised learning. We use the quantum approximate optimization algorithm in conjunction with a gradient-free Bayesian optimization to train the quantum machine. This quantum/classical hybrid algorithm shows robustness to realistic noise, and we find evidence that classical optimization can be used to train around both coherent and incoherent imperfections.

연구 동기 및 목표

• 게이트-모델 양자 프로세서를 사용하여 클러스터링이라는 비지도 학습 작업에 대한 하이브리드 양자-고전적 접근법을 시연한다.
• 클러스터링을 MaxCut 문제로 변환하고 Quantum Approximate Optimization Algorithm(QAOA)로 풀이한다.
• 현실적인 노이즈와 장애에 대한 양자/고전 하이브리드 방법의 강건성을 보여준다.
• 양자 회로의 가변 파라미터를 학습하기 위해 베이지안 최적화를 활용한다.
• 고전적 최적화가 코히어런트/비코히어런트 게이트 불완전성을 완화할 수 있음을 입증하는 증거를 제공한다.

제안 방법

• Bhattacharyya 기반 거리 표현을 통해 클러스터링을 가중 MaxCut 문제로 인코딩한다.
• 비용 해밀토니언 H_C = -1/2 sum_{i,j} w_{ij} (1 - σ_i^z σ_j^z)인 QAOA의 단일 반복(p=1)을 구현한다.
• 관측된 최상의 MaxCut 값을 최대로 하도록 QAOA 각도(γ, β)를 선택하기 위해 베이지안 최적화 루프를 사용한다.
• Rigetti의 19Q 프로세서에서 비용 유닛에 해당하는 6개의 2-쿼비트 게이트 깊이를 갖는 QAOA 회로를 실행한다.
• 실험 결과를 노이즈 없는 양자 가상 머신 시뮬레이션과 임의의 비트 문자열 샘플링과 비교한다.
• CZ 게이트 구현 및 연결성을 포함한 회로 컴파일 및 하드웨어 세부 정보를 설명한다.

실험 결과

연구 질문

• RQ1 근접-기한 기기의 QAOA를 이용한 하이브리드 양자-고전 알고리즘이 MaxCut 문제로 형상화된 클러스터링을 효율적으로 해결할 수 있는가?
• RQ2 실제 게이트 노이즈 및 장치 불완전성 하에서 QAOA 각도의 베이지안 최적화가 강건한 성능을 가능하게 하는가?
• RQ3 MaxCut 기반 클러스터링에서 하이브리드 알고리즘의 성능은 무작위 샘플링과 무노이즈 시뮬레이션에 비해 어떠한가?
• RQ4 19-qubit 장치에서 클러스터링 문제를 구현하기 위한 회로 깊이 및 하드웨어 요구사항은 무엇인가?
• RQ5 MaxCut 기반 클러스터링의 서로 다른 무작위 문제 인스턴스(가중치)에 대해 이 접근법이 일반화되는가?

주요 결과

• 알고리즘은 대부분의 고정된 무작위 문제 인스턴스에 대해 55개의 베이지안 최적화 단계 이내에 최적 MaxCut 값을 달성한다.
• 이 방법은 현실적인 노이즈에 대해 강건함을 보이며, 대부분의 실행이 최적 또는 근접 최적 해로 수렴한다.
• 실험 결과(파란색)는 무작위 비트 문자열 샘플링(초록)보다 성능이 우수하고 무노이즈 시뮬레이션(주황)과 일치한다.
• Kolmogorov–Smirnov 검정은 실험 결과와 무노이즈 결과 모두에서 무작위 샘플링의 영가설을 각각 >99% 및 >99.99% 신뢰도로 기각한다.
• 19-퀀비트 게이트-모델 프로세서는 각도에 대해 최대 55단계의 베이지안 최적화를 거쳐 p=1 QAOA 실행으로 이 클러스터링을 시연하는 데 충분하다.
• 55개의 베이지안 최적화 단계와 단계당 2500측정으로 인해 통신 및 컴파일 오버헤드를 포함하여 런타임은 약 10분이다.