[논문 리뷰] A Quantum Recurrent Neural Network

Patrick Rebentrost, Thomas R. Bromley외 2명|arXiv (Cornell University)|2017. 10. 10.

Quantum Computing Algorithms and Architecture인용 수 1

한 줄 요약

이 논문은 히프리드 네트워크 기반의 양자 순환 신경망을 제안하며, 양자 진폭 인코딩을 활용해 다항식 크기의 큐비트 시스템에 지수적으로 큰 네트워크를 저장한다. 고전적 히프리드 연산에 양자 알고리즘을 적용함으로써 로그 스케일의 양자 계산 복잡도를 달성하여 효율적인 패턴 인식을 가능하게 하며, 유전자 서열 분류에의 적용을 보여준다.

ABSTRACT

Quantum computing allows for the potential of significant advancements in both the speed and the capacity of widely used machine learning techniques. Here we employ quantum algorithms for the Hopfield network, which can be used for pattern recognition, reconstruction, and optimization as a realization of a content-addressable memory system. We show that an exponentially large network can be stored in a polynomial number of quantum bits by encoding the network into the amplitudes of quantum states. By introducing a classical technique for operating the Hopfield network, we can leverage quantum algorithms to obtain a quantum computational complexity that is logarithmic in the dimension of the data. We also present an application of our method as a genetic sequence recognizer.

연구 동기 및 목표

• 더 나은 패턴 인식과 최적화를 위한 양자 강화 순환 신경망을 개발하기 위해.
• 진폭 인코딩을 통해 다항식 크기의 양자 상태를 이용해 지수적으로 큰 히프리드 네트워크를 저장할 수 있도록 하기 위해.
• 데이터 차원에 대해 고전적 다항식 복잡도에서 양자 로그 스케일 복잡도로 계산 복잡도를 감소시키기 위해.
• 양자 강화 학습을 활용한 유전자 서열 인식에 실질적인 적용을 보여주기 위해.

제안 방법

• 지수적 압축을 가능하게 하기 위해 큐비트 상태의 진폭에 큰 히프리드 네트워크를 표현하기 위해 양자 진폭 인코딩을 활용한다.
• 상태 진동을 위한 유니터리 연산을 사용해 고전적 히프리드 네트워크 역학을 양자 프레임워크로 적응시킨다.
• 네트워크 업데이트를 시뮬레이션하기 위해 양자 알고리즘을 적용하여 데이터 차원에 대해 로그 스케일로 스케일링한다.
• 수렴 및 검색을 가속화하기 위해 양자 위상 추정 및 진폭 강화 기법을 활용한다.
• 입력 패턴을 저장된 기억으로 매핑하기 위해 유니터리 진동을 통한 패턴 인식을 위한 양자 회로를 설계한다.
• 생물학적 서열을 큐비트로 인코딩한 유전자 서열 인식 작업을 통해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 양자 진폭 인코딩을 통해 큐비트 시스템 내에서 대규모 히프리드 네트워크를 지수적으로 압축할 수 있는가?
• RQ2 양자 알고리즘이 데이터 차원에 대해 히프리드 네트워크 연산의 계산 복잡도를 다항식에서 로그 스케일로 감소시킬 수 있는가?
• RQ3 양자 강화 히프리드 네트워크는 유전자 서열 분석과 같은 실세계 패턴 인식 작업에 어떻게 적용될 수 있는가?
• RQ4 양자 순환 역학이 기억 복구 정밀도를 유지하는 데 있어 실현 가능성과 성능은 어떠한가?

주요 결과

• 제안된 방법은 진폭 인코딩을 통해 다항식 수의 큐비트에 지수적으로 큰 히프리드 네트워크를 저장할 수 있다.
• 양자 계산 복잡도는 데이터 차원에 대해 로그 스케일로 스케일링되며, 고전적 대안보다 현저히 뛰어나다.
• 유니터리 진동과 진폭 강화를 사용해 효율적인 패턴 검색 및 재구성 알고리즘이 달성된다.
• 생물학적 데이터 응용 가능성에 대한 잠재력을 보여주며, 실제 유전자 서열 인식 작업에서 실현 가능성을 입증한다.
• 고전적 히프리드 네트워크의 콘텐츠 기반 메모리 성질을 유지하면서도 확장성을 향상시킨다.
• 결과적으로 순환 신경망 응용 분야에서 양자 우위를 향한 실현 가능한 길을 제시한다.