[论文解读] Quantum Machine Learning for Material Synthesis and Hardware Security

Collin Beaudoin, Satwik Kundu+2 more|arXiv (Cornell University)|Aug 16, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用 7

一句话总结

本文提出量子长短期记忆网络（QLSTM）和量子神经网络（QNN）模型，以应对化学逆合成与硬件后门（HT）检测两大关键挑战。在USPTO-50k数据集上，使用4量子比特QLSTM实现80%的测试准确率，优于经典LSTM的70%；而2量子比特QNN在基于功耗与面积特征的HT检测中达到97.27%准确率，证明了量子机器学习在材料科学与硬件安全领域的可行性。

ABSTRACT

Using quantum computing, this paper addresses two scientifically pressing and day-to-day relevant problems, namely, chemical retrosynthesis which is an important step in drug/material discovery and security of the semiconductor supply chain. We show that Quantum Long Short-Term Memory (QLSTM) is a viable tool for retrosynthesis. We achieve 65% training accuracy with QLSTM, whereas classical LSTM can achieve 100%. However, in testing, we achieve 80% accuracy with the QLSTM while classical LSTM peaks at only 70% accuracy! We also demonstrate an application of Quantum Neural Network (QNN) in the hardware security domain, specifically in Hardware Trojan (HT) detection using a set of power and area Trojan features. The QNN model achieves detection accuracy as high as 97.27%.

研究动机与目标

• 通过利用量子机器学习（QML）加速并提升预测准确率，解决化学逆合成中的计算瓶颈，这是新药与新材料研发的关键步骤。
• 克服经典机器学习模型在逆合成中的局限性，如可扩展性差、训练时间长以及对预定义反应库的依赖。
• 通过基于功耗与面积特征训练的量子神经网络，展示QML在硬件安全领域的可行性。
• 表明尽管存在当前硬件限制，QML模型在特定场景下仍可超越经典模型，尤其在泛化能力与小样本数据的鲁棒性方面。
• 在材料合成与半导体供应链安全两大高影响力领域建立QML的可行性原型，突出其未来优化的潜力。

提出的方法

• 在USPTO-50k数据集上，使用4量子比特实现量子-经典混合QLSTM模型，处理SMILES编码的分子序列，用于逆合成路径预测。
• 采用序列到序列架构，结合嵌入层，随后通过含参数量子线路的量子处理单元（QPU）对分子特征进行编码与处理。
• 在输出端使用Softmax层，将量子态测量结果转换为离散反应预测，通过变分量子算法优化交叉熵损失。
• 针对硬件安全，使用t-SNE将50个功耗与面积后门特征降维至2个特征，再输入2量子比特QNN，其含参数量子线路用于分类。
• 使用学习率为0.01的随机梯度下降训练QNN，并与SVM、感知机及全连接神经网络等经典模型进行性能对比。
• 通过数据增强与超参数微调（如学习率）提升泛化能力，尤其在低数据场景下评估QNN的鲁棒性。

实验结果

研究问题

• RQ1 尽管训练准确率较低，量子增强LSTM（QLSTM）模型是否能在复杂分子的逆合成路径预测中超越经典LSTM？
• RQ2 QLSTM在测试场景中是否比经典LSTM泛化能力更强，特别是在预测反应物中常见子串方面？
• RQ3 在极简特征集上训练时，小型QNN（2量子比特）是否能实现与经典机器学习模型相当或更优的硬件后门检测准确率？
• RQ4 当通过t-SNE减少特征数量后，QNN性能与SVM及全连接网络相比如何？
• RQ5 在实际应用如HT检测与逆合成中，QML模型在数据量有限与硬件受限条件下，能在多大程度上实现补偿？

主要发现

• QLSTM在逆合成预测中达到80%的测试准确率，超过经典LSTM的峰值70%，尽管其训练准确率为65%，低于LSTM的100%。
• 在子串预测中，QLSTM训练准确率为55%，而经典LSTM为65%；但在测试中，QLSTM以80%准确率优于经典模型的70%。
• QNN在经t-SNE降维至2个特征的简化数据集上训练后，实现97.27%的测试准确率，优于感知机（73.72%）与GaussianNB（74.92%）。
• 在原始900样本、50个特征的数据集上，QNN达到97.09%准确率，与经典神经网络的97.09%几乎持平，表明在低数据场景下性能相当。
• 经典神经网络实现98.03%的训练准确率与98.35%的测试准确率，表明QNN目前尚未在准确率上超越，但展现出强大的优化潜力。
• 结果表明，QML模型在某些测试场景中泛化能力优于经典模型，尤其在数据稀疏或特征降维时，凸显其在真实部署中的鲁棒性。