[논문 리뷰] Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors

Su Yeon Chang, S. Vallecorsa외 2명|arXiv (Cornell University)|2021. 01. 26.

Model Reduction and Neural Networks참고 문헌 12인용 수 7

한 줄 요약

이 논문은 고에너지 물리학 실험 장치의 반응을 가속화하기 위해 연속변수 양자 생성적 대립 신경망(CV qGAN)을 제안한다. 여기서 양자 회로와 큼모드를 사용하여 연속 확률 분포를 모델링한다. 하이브리드 CV qGAN 모델은 170배 적은 파라미터로 고전적 GAN과 유사한 성능을 달성하며, 수렴 속도도 훨씬 빠르지만, 시뮬레이션 시간에 의해 제한되고 모드 붕괴 현상으로 인해 안정성이 떨어진다.

ABSTRACT

Deep Neural Networks (DNNs) come into the limelight in High Energy Physics (HEP) in order to manipulate the increasing amount of data encountered in the next generation of accelerators. Recently, the HEP community has suggested Generative Adversarial Networks (GANs) to replace traditional time-consuming Geant4 simulations based on the Monte Carlo method. In parallel with advances in deep learning, intriguing studies have been conducted in the last decade on quantum computing, including the Quantum GAN model suggested by IBM. However, this model is limited in learning a probability distribution over discrete variables, while we initially aim to reproduce a distribution over continuous variables in HEP. We introduce and analyze a new prototype of quantum GAN (qGAN) employed in continuous-variable (CV) quantum computing, which encodes quantum information in a continuous physical observable. Two CV qGAN models with a quantum and a classical discriminator have been tested to reproduce calorimeter outputs in a reduced size, and their advantages and limitations are discussed.

연구 동기 및 목표

• 고에너지 물리학에서 몬테카를로 시뮬레이션의 계산적 병목 현상을 해결하기 위해 이를 더 빠른 생성 모델로 대체하고자 한다.
• 양자 GAN을 연속변수 양자 컴퓨팅으로 확장하여 캘로리미터 에너지 기록과 같은 연속적인 장치 출력을 모델링할 수 있도록 하고자 한다.
• 완전히 양자인 모델과 하이브리드 모델을 포함한 두 가지 CV qGAN 아키텍처를 개발하고 테스트하고자 한다: 하나는 양자 생성기와 고전적 판별기, 다른 하나는 양자 생성기와 양자 판별기를 사용한다.
• 제한된 큼모드 수를 가진 실제 장치 데이터를 시뮬레이션할 때 CV qGAN의 타당성, 성능, 수렴 특성을 평가하고자 한다.
• CV qGAN에서 발생하는 주요 과제, 예를 들어 모드 붕괴와 학습 불안정성 등을 규명하고 향후 개선 방향을 제안하고자 한다.

제안 방법

• 연속변수(CV) 양자 컴퓨팅을 활용하여 빛 필드의 위상 및 진폭의 분해를 통해 정보를 큼모드에 인코딩한다.
• 이동, 압축, 회전, 빔 스플리터 등의 매개변수화된 양자 게이트를 사용한 연속변수 신경망(CVNNs)을 활용해 생성기 회로를 구축한다.
• 두 가지 모델을 구현한다: 하이브리드 CV qGAN(양자 생성기, 고전적 판별기)과 완전히 양자 기반의 CV qGAN(양자 생성기, 양자 판별기).
• 실제와 생성된 장치 반응 분포를 비교하는 손실 함수를 최소화하는 방식으로 생성기와 판별기를 적대적 최적화를 통해 훈련시킨다.
• 최종 큼모드에서 위치 연산자의 기대값을 측정하여 실제 데이터와 비교할 수 있는 연속적인 출력 특징을 추출한다.
• 판별기 출력에 시그모이드 활성화 함수를 적용하여 샘플을 진짜 또는 가짜로 분류하고, 기울기를 양자 회로를 통해 역전파하여 미분 가능한 양자 프ogram밍 프레임워크를 활용한다.

실험 결과

연구 질문

• RQ1 연속변수 양자 GAN은 고에너지 물리학 장치 출력을 대표하는 연속 확률 분포를 효과적으로 학습하고 생성할 수 있는가?
• RQ2 하이브리드 CV qGAN(양자 생성기, 고전적 판별기)의 성능은 고전적 GAN과 비교해 파라미터 효율성과 수렴 속도 측면에서 어떻게 다를까?
• RQ3 현재 CV qGAN의 구현에서 나타나는 제한 사항, 예를 들어 모드 붕괴와 학습 불안정성은 고전적 GAN과 비교해 어떻게 다른가?
• RQ4 잠재공간 차원을 늘일 경우 CV qGAN 모델의 안정성과 수렴 특성은 어떻게 영향을 받는가?
• RQ5 CV qGAN는 매 에포크당 시뮬레이션 비용이 더 높음에도 불구하고 고전적 GAN보다 더 빠른 수렴을 달성할 수 있는가?

주요 결과

• 하이브리드 CV qGAN 모델은 고전적 GAN의 44,947개 파라미터 대비 단 264개의 파라미터만으로도 유사한 성능을 달성하였다. 즉, 170배 적은 파라미터를 사용하였다.
• CV qGAN는 100 에포크 이내에 수렴했지만, 고전적 GAN은 1,000 에포크 이상이 소요되어 훨씬 빠른 학습 속도를 확보하였다.
• 빠른 수렴에도 불구하고 CV qGAN의 에포크당 시뮬레이션 시간은 매우 높아 350분에 이르며, 이는 5개 미만의 큼모드에서만 전체 훈련이 가능하도록 제한되었다.
• 모델은 GAN에서 흔히 발생하는 모드 붕괴 현상을 보이며, 전체 데이터 분포를 학습하는 데에 불안정함을 나타냈다.
• 잠재공간 차원을 늘일수록 안정성과 수렴성이 향상되었으며, 이는 고전적 GAN 문헌에서 초기화 및 아키텍처 깊이의 중요성을 규명한 결과와 일치한다.
• 이 연구는 CV 양자 회로를 사용해 고전적 GAN을 모방할 수 있음을 확인했지만, 더 빠른 양자 시뮬레이션과 개선된 정규화 기법이 필요하다는 점을 시사한다.