[논문 리뷰] Quantum Kitchen Sinks: An algorithm for machine learning on near-term quantum computers

C. W. Wilson, Johannes Otterbach외 7명|arXiv (Cornell University)|2018. 06. 21.

Quantum Computing Algorithms and Architecture인용 수 1

한 줄 요약

Quantum Kitchen Sinks는 노이즈가 많은 중규모 양자(NISQ) 장치를 대상으로 한 실용적인 기계학습 접근법을 개발하기 위해, 양자 회로를 사용하여 고전적 데이터를 양자 특징 공간으로 비선형으로 매핑하는 하이브리드 양자-고전 알고리즘을 소개한다. 합성 데이터 및 MNIST 데이터셋에서 각각 분류 오차율을 50%에서 <0.1%로, 4.1%에서 1.4%로 감소시켜 근거리 양자 하드웨어에서 뚜렷한 성능 향상을 보였다.

ABSTRACT

Noisy intermediate-scale quantum computing devices are an exciting platform for the exploration of the power of near-term quantum applications. Performing nontrivial tasks in such devices requires a fundamentally different approach than what would be used on an error-corrected quantum computer. One such approach is to use hybrid algorithms, where problems are reduced to a parameterized quantum circuit that is often optimized in a classical feedback loop. Here we describe one such hybrid algorithm for machine learning tasks by building upon the classical algorithm known as random kitchen sinks. Our technique, called quantum kitchen sinks, uses quantum circuits to nonlinearly transform classical inputs into features that can then be used in a number of machine learning algorithms. We demonstrate the power and flexibility of this proposal by using it to solve binary classification problems for synthetic datasets as well as handwritten digits from the MNIST database. Using the Rigetti quantum virtual machine, we show that small quantum circuits provide significant performance lift over standard linear classical algorithms, reducing classification error rates from 50% to $<0.1\%$, and from $4.1\%$ to $1.4\%$ in these two examples, respectively. Further, we are able to run the MNIST classification problem, using full-sized MNIST images, on a Rigetti quantum processing unit, finding a modest performance lift over the linear baseline.

연구 동기 및 목표

• 노이즈가 많은 중규모 양자(NISQ) 장치에 특화된 실용적인 기계학습 접근법을 개발하는 것.
• 고전적 랜덤 키친 스퍼즈 방법을 양자 회로를 활용해 특징 변환을 수행하는 양자 영역으로 확장하는 것.
• 작은 양자 회로가 실제 데이터셋에서 고전적 선형 모델보다 측정 가능한 성능 향상을 제공할 수 있음을 입증하는 것.
• 모의 및 물리적 양자 하드웨어에서의 양자 특징 매핑의 확장성과 효과성을 평가하는 것.

제안 방법

• 고전적 랜덤 키친 스퍼즈를 변형하여 랜덤 특징 매핑을 파라미터화된 양자 회로로 대체함으로써 양자 특징을 생성한다.
• 고전적 입력 데이터는 파라미터화된 안사트를 사용해 양자 상태로 인코딩되며, 이는 유니터리 변환을 적용하여 비선형 특징 표현을 생성한다.
• 양자 회로의 출력은 측정되어 고전적 선형 분류기의 특징으로 사용되며, 파rameter는 고전적 피드백 루프를 통해 최적화된다.
• 분류 손실을 최소화하기 위해 양자 회로의 파라미터에 기반한 기울기 기반 최적화를 사용해 알고리즘을 훈련시킨다.
• 알고리즘은 리지티 퀀텀 가상 머신과 물리적 양자 처리 장치(QPU)에서 평가된다.
• 이 방법은 고전적 선형 모델이 접근할 수 없는 복잡한 비선형 결정 경계를 생성하기 위해 양자 회로의 표현 능력을 활용한다.

실험 결과

연구 질문

• RQ1 파라미터화된 양자 회로가 NISQ 장치에서 기계학습 모델의 비선형 특징 매핑으로 효과적으로 기능할 수 있는가?
• RQ2 작은 양자 회로가 고전적 선형 모델 대비 분류 정확도를 얼마나 향상시키는가?
• RQ3 양자 키친 스퍼즈의 성능은 합성 데이터 및 실제 데이터셋인 MNIST와 같은 다양한 데이터 복잡도 수준에서 어떻게 스케일링되는가?
• RQ4 모의 시뮬레이션 외에도 물리적 양자 하드웨어에서 알고리즘이 측정 가능한 성능 향상을 달성할 수 있는가?

주요 결과

• 합성 데이터셋에서 Quantum Kitchen Sinks는 고전적 선형 모델이 50%로 기록한 분류 오차율을 0.1% 미만으로 감소시켰다.
• MNIST 데이터셋에서, 방법은 고전적 선형 기반 모델의 오차율 4.1%를 양자 향상 특징 매핑을 사용해 1.4%로 감소시켰다.
• 리지티 양자 처리 장치를 사용해 전체 크기의 MNIST 이미지 데이터셋에서 알고리즘이 성공적으로 실행되었으며, 고전적 기반 모델 대비 약간이지만 측정 가능한 성능 향상을 보였다.
• 파라미터화된 회로에 의해 생성된 양자 특징 매핑은 합성 및 실제 데이터 모두에서 선형 모델보다 뛰어난 비선형 결정 경계를 생성하였다.
• 결과적으로, NISQ 장치에서 얕은 양자 회로라도 지도 학습 과제에서 의미 있는 이점을 제공할 수 있음을 입증하였다.