[논문 리뷰] Learning architectures based on quantum entanglement: a simple matrix product state algorithm for image recognition

Yuhan Liu, Xiao Zhang외 2명|arXiv (Cornell University)|2018. 03. 24.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 영상 데이터를 표현하기 위해 양자 행렬 곱 상태(MPS)를 사용하는 새로운 기계학습 접근법을 제안한다. 이 방법은 양자 얽힘 특성—예를 들어 단일 사이트 및 이량자 얽힘—을 내재된 데이터 중요도 지표로 활용한다. 이러한 양자 구조를 가진 표현에 고전적 학습 알고리즘을 적용함으로써, 저차원의 계산 효율적인 유니터리 행렬을 사용해 얽힘 특성이 분류 성능을 향상시킬 수 있음을 보여준다.

ABSTRACT

It is a fundamental, but still elusive question whether methods based on quantum mechanics, in particular on quantum entanglement, can be used for classical information processing and machine learning. Even partial answer to this question would bring important insights to both fields of both machine learning and quantum mechanics. In this work, we implement simple numerical experiments, related to pattern/images classification, in which we represent the classifiers by quantum matrix product states (MPS). Classical machine learning algorithm is then applied to these quantum states. We explicitly show how quantum features (i.e., single-site and bipartite entanglement) can emerge in such represented images; entanglement characterizes here the importance of data, and this information can be practically used to improve the learning procedures. Thanks to the low demands on the dimensions and number of the unitary matrices, necessary to construct the MPS, we expect such numerical experiments could open new paths in classical machine learning, and shed at same time lights on generic quantum simulations/computations.

연구 동기 및 목표

• 양자 얽힘 특성이 고전적 영상 분류에 활용될 수 있는지 조사하기.
• 기계학습에서 고전적 데이터를 표현하기 위해 행렬 곱 상태(MPS)를 사용할 수 있는지 탐색하기.
• 얽힘 측정치가 학습 과제에서 데이터 중요도의 의미 있는 지표가 될 수 있는지 판단하기.
• 저차원 환경에서 MPS 기반 분류기의 계산 효율성을 평가하기.

제안 방법

• 픽셀 데이터를 텐서 네트워크 구조에 인코딩하여 영상을 양자 행렬 곱 상태(MPS)로 표현하기.
• 영상 표현에서 데이터 중요도를 평가하기 위해 단일 사이트 및 이량자 얽힘 측정치를 특징으로 사용하기.
• 패턴 및 영상 분류를 위해 MPS에 인코딩된 데이터에 고전적 기계학습 알고리즘 적용하기.
• 계산 오버헤드를 최소화하기 위해 저차원 유니터리 행렬을 사용해 MPS 구축하기.
• 영상 분류 과제에서 수치 실험을 통해 분류기 학습 및 평가하기.
• 얽힘 구조가 분류 성능 및 데이터 관련성과 어떻게 연관되어 있는지 분석하기.

실험 결과

연구 질문

• RQ1 행렬 곱 상태에서 추출한 양자 얽힘 특성이 고전적 영상 분류를 향상시킬 수 있는가?
• RQ2 단일 사이트 및 이량자 얽힘 측정치는 학습 과정에서 영상 데이터 중요도와 어떻게 관련되어 있는가?
• RQ3 저차원 MPS 표현이 분류 정확도를 얼마나 잘 유지할 수 있는가?
• RQ4 고전적 학습 알고리즘이 양자 영감을 받은 텐서 네트워크 구조를 효과적으로 활용할 수 있는가?
• RQ5 고전적 학습 파ip라인에 얽힘 특성을 통합할 때 계산 비용은 어느 정도인가?

주요 결과

• 얽힘 특성—특히 이량자 얽힘—은 영상 데이터의 구조적 중요도를 효과적으로 포착하여 학습의 관련성을 향상시킨다.
• 저차원 유니터리 행렬만을 사용함으로써 실용적인 분류 성능를 달성하여 계산 가능성을 입증한다.
• 단일 사이트 및 이량자 얽힘은 영상 표현 내에서 데이터 중요도의 측정 가능한 지표로 기능한다.
• 고전적 학습 파이프라인에 양자 영감을 받은 특징을 통합함으로써 학습 효율성과 데이터 활용도가 향상된다.
• 수치 실험을 통해 MPS 기반 표현이 표준 고전적 알고리즘으로 효과적으로 학습될 수 있음을 확인하였다.
• 이 방법은 양자 정보 개념과 고전적 기계학습 간의 다리가 되며, 하이브리드 모델을 위한 새로운 길을 제시한다.