[논문 리뷰] VQNet: Library for a Quantum-Classical Hybrid Neural Network

Zhaoyun Chen, Cheng Xue외 2명|arXiv (Cornell University)|2019. 01. 26.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

VQNet은 변이 양자 회로의 엔드 투 엔드 미분 가능 훈련을 가능하게 하는 양자-고전 하이브리드 신경망 프레임워크입니다. 자동 미분과 역전파를 통합한 양자 연산(qop 및 qop_pmeasure)을 통해 기울기 기반 최적화를 지원하며, 비선형 함수 근사에서 높은 정확도로 성공적으로 양자 기계학습 작업(예: 양자 회로 학습, VQE, QAOA, 양자 분류)을 수행합니다.

ABSTRACT

Deep learning is a modern approach to realize artificial intelligence. Many frameworks exist to implement the machine learning task; however, performance is limited by computing resources. Using a quantum computer to accelerate training is a promising approach. The variational quantum circuit (VQC) has gained a great deal of attention because it can be run on near-term quantum computers. In this paper, we establish a new framework that merges traditional machine learning tasks with the VQC. Users can implement a trainable quantum operation into a neural network. This framework enables the training of a quantum-classical hybrid task and may lead to a new area of quantum machine learning.

연구 동기 및 목표

• 변이 양자 회로와 고전적 딥 러닝 프레임워크를 연결하여 하이브리드 양자-고전 기계학습을 가능하게 하기 위해.
• 고전적 딥 러닝 환경에서 양자 연산을 자동 미분 및 역전파를 통해 기울기 기반 최적화가 가능하도록 하기 위해.
• 근일 양자 하드웨어에서 양자 기계학습 알고리즘의 프로토타이핑 및 테스트를 위한 확장 가능하고 확장 가능한 플랫폼을 제공하기 위해.
• 표준 최적화 기법을 사용하여 양자 회로를 신경망 내의 훈련 가능한 레이어로 훈련시킬 수 있는 가능성을 입증하기 위해.
• TensorFlow 유사 생태계를 구축하기 위한 기반을 마련하기 위해, 공통 컴포onent, 최적화기, 향후 하드웨어 가속 기능을 지원하기 위해.

제안 방법

• 기대값 계산을 위한 qop와 확률 측정을 위한 qop_pmeasure라는 두 가지 핵심 양자 연산을 도입하며, 둘 다 매개변수 이동 규칙을 통해 기울기 가능합니다.
• 양자 회로를 고전 계산 그래프 내의 기울기 가능 연산자로 통합하여 고전 및 양자 구성 요소 간의 전방 및 역방향 전파를 가능하게 합니다.
• 기울기 기반 최적화 방법(예: Adam, 모멘텀 최적화기)을 사용해 훈련 가능한 매개변수를 가진 매개변수화된 양자 회로(아나츠)를 사용합니다.
• 손실 함수의 양자 회로 매개변수에 대한 기울기를 매개변수 이동 규칙을 사용해 계산하여, 양자 회로를 통해 역전파를 가능하게 합니다.
• 양자 회로를 신경망 내의 레이어로 간주하고, 고전 레이어와 양자 레이어를 함께 훈련하는 하이브리드 모델을 구축합니다.
• 다양한 양자 알고리즘(VQE, QAOA, 양자 분류기, 양자 회로 학습 등)을 통합할 수 있는 모듈러 설계를 사용합니다.

실험 결과

연구 질문

• RQ1 변이 양자 회로가 자동 미분을 완전히 지원하는 고전적 딥 러닝 프레임워크에 원활하게 통합될 수 있는가?
• RQ2 하이브리드 신경망 환경에서 표준 기울기 기반 최적화기로 양자 연산을 기울기 가능하고 훈련 가능한 것으로 만들 수 있는가?
• RQ3 VQNet이 복잡한 비선형 함수, 예를 들어 x², eˣ, sin(πx), |x|를 근사하기 위해 양자 회로를 효과적으로 훈련시킬 수 있는가?
• RQ4 프레임워크가 VQE, QAOA, 양자 분류 등 다양한 양자 기계학습 알고리즘을 일관되고 확장 가능한 인터페이스로 지원할 수 있는가?
• RQ5 근일 양자 하드웨어에서 하이브리드 학습 작업에서 VQNet의 성능이 고전적 딥 뉴럴 네트워크와 비교해 어떻게 되는가?

주요 결과

• VQNet은 전방 및 역방향 전파를 지원하는 기울기 가능 양자 연산(qop 및 qop_pmeasure)을 성공적으로 구현하여 하이브리드 모델의 엔드 투 엔드 훈련을 가능하게 했습니다.
• 프레임워크는 비선형 함수 근사에서 높은 정확도로 양자 회로를 훈련시키는 데 성공했으며, 손실 및 예측도에서 y = x², y = eˣ, y = sin(πx), y = |x|에 대해 거의 완벽한 근사치를 달성했습니다.
• 모든 테스트된 함수 근사 작업에서 손실 함수가 200개의 훈련 스텝 동안 안정적으로 수렴함을 보여주어 모멘텀 최적화기의 안정적인 최적화를 입증했습니다.
• VQNet은 VQE, QAOA, 양자 분류, 양자 회로 학습 등 다양한 양자 기계학습 알고리즘의 구현을 지원하며, 일관되고 재사용 가능한 코드 아키텍처를 제공합니다.
• 프레임워크는 고전적 가중치(coef)와 양자 회로 매개변수(theta)를 동시에 최적화할 수 있어, 단일 훈련 루프 내에서 하이브리드 매개변수 업데이트의 가능성을 입증했습니다.
• VQNet은 확장 가능하며, 노이즈 있는 양자 시뮬레이터, 분산 컴퓨팅(GPU/TPU), 고수준 컴포넌트(예: 커스텀 손실 함수, 최적화기) 등 향후 통합을 고려해 설계되었습니다.