[논문 리뷰] Quantum neural network autoencoder and classifier applied to an industrial case study

Stefano Mangini, Alessia Marruzzo외 4명|arXiv (Cornell University)|2022. 01. 01.

Quantum Computing Algorithms and Architecture참고 문헌 58인용 수 26

한 줄 요약

이 논문은 에니 오일 정제 공장의 물/기름 분리기에서 수집한 실제 산업 데이터를 압축하고 분류하기 위해 변이형 양자 오토에인코드와 양자 분류기의 하이브리드 양자-고전적 파이프라인을 제안한다. 유일한 학습 가능한 파라미터 6개를 사용하여, 시뮬레이션된 데이터에서 87.4%의 분류 정확도와 실제 IBM 양자 하드웨어에서 82.3%의 정확도를 달성하였으며, 이는 고전적 방법과 유사한 성능을 보이며, 실세계 산업 데이터를 활용한 근접된 양자 장치에서의 양자 기계학습의 실용적 가능성을 입증한다.

ABSTRACT

Quantum computing technologies are in the process of moving from academic research to real industrial applications, with the first hints of quantum advantage demonstrated in recent months. In these early practical uses of quantum computers it is relevant to develop algorithms that are useful for actual industrial processes. In this work we propose a quantum pipeline, comprising a quantum autoencoder followed by a quantum classifier, which are used to first compress and then label classical data coming from a separator, i.e., a machine used in one of Eni's Oil Treatment Plants. This work represents one of the first attempts to integrate quantum computing procedures in a real-case scenario of an industrial pipeline, in particular using actual data coming from physical machines, rather than pedagogical data from benchmark datasets.

연구 동기 및 목표

• 실제 운영 장비에서 수집한 실세계 산업 데이터에 양자 기계학습 알고리즘을 적용할 수 있는 가능성을 입증하는 것, 즉 합성 또는 기준 데이터셋이 아닌 실제 데이터를 대상으로 하는 것.
• 실제 산업 분리기에서 유입되는 고차원 고전적 데이터를 효과적으로 압축하여 낮은 차원의 양자 잠재 공간으로 변환할 수 있는지 평가하는 것.
• 압축된 양자 데이터 기반으로 학습된 양자 분류기의 성능을 이진 분류 과제에서 고전적 기준 모델과 비교하는 것.
• 노이즈와 측정의 확률적 특성 등 실제 NISQ 시대 양자 하드웨어의 특성에 대한 파이프라인의 강건성을 검증하는 것.
• 고전적 모델 대비 학습 가능한 파라미터 수의 효율성 측면에서 양자 접근 방식의 효율성을 평가하는 것.

제안 방법

• 4차원 고전적 입력 데이터(기름 높이, 유량, 압력, 밸브 개방도)를 2차원 잠재 양자 상태로 변환하기 위해 파rameterized 양자 회로를 사용한 변이형 양자 오토에인코드(VQA)를 구현한다.
• 단일 큐비트 회전을 통해 고전적 데이터를 양자 상태에 로딩하는 앰플리튜드 인코딩을 사용하여 입력 특성의 비선형 인코딩을 가능하게 한다.
• 원본과 복원된 양자 상태 간의 재구성 오차를 최소화하는 하이브리드 양자-고전적 최적화 루프를 사용해 양자 오토에인코드를 학습시킨다.
• 압축 품질을 검증하기 위해 양자 허상도와 평균 재구성 오차(¯e ≈ 5%)를 사용하여 성능을 평가한다.
• 잠재 양자 상태를 기반으로 이진 분류를 수행하기 위해 변이형 양자 회로를 사용한 양자 분류기를 학습시킨다. 이때 KMeans 클러스터링 레이블을 기반으로 한다.
• 모든 파이프라인을 이상적인 양자 시뮬레이션과 실제 IBM 양자 하드웨어(ibmqx2)에서 테스트하며, 각 회로당 1024회의 샷을 사용하고 다수의 실행 결과를 평균화한다.

실험 결과

연구 질문

• RQ1 실제 물리적 분리기에서 유입되는 산업 데이터를 변이형 양자 오토에인코드로 효과적으로 낮은 차원의 양자 잠재 공간으로 압축할 수 있으며, 이 성능이 고전적 오토에인코드와 유사한가?
• RQ2 압축된 양자 상태 기반으로 학습된 양자 분류기가 실세계 산업 데이터에 적용되었을 때 고전적 모델과 유사한 분류 정확도를 달성하는가?
• RQ3 근접된 양자 하드웨어에서의 노이즈와 측정의 확률적 특성에 대해 양자 파이프라인이 얼마나 강건한가?
• RQ4 학습 가능한 파라미터 수가 상당히 적은(6개 대비 16개) 상황에서 양자 파이프라인이 고전적 모델과 유사한 성능을 달성할 수 있는가?
• RQ5 실세계 산업 데이터에 적용했을 때 현재 이용 가능한 NISQ 장치에서 양자 기계학습 파이프라인이 실현 가능하고 실행 가능한가?

주요 결과

• 양자 오토에인코드는 약 5%의 평균 재구성 오차를 기록하여 고전적 오토에인코드와 동일한 성능을 보였다.
• 원본 상태와 복원된 상태 간의 양자 허상도가 높게 유지되어, 양자 영역에서 입력 데이터의 효과적인 압축 및 복원이 이루어졌음을 확인했다.
• 시뮬레이션 환경에서 테스트 세트 1,000개에 대해 양자 분류기는 87.4%의 분류 정확도를 달성하였으며, 정규화된 데이터에서 고전적 KNN 분류기(89.7%)와 유사한 성능을 보였다.
• 실제 IBM 양자 하드웨어(ibmqx2)에서 양자 분류기는 표준편차 ±1.3%를 동반하여 82.3%의 정확도를 기록하였으며, 하드웨어 노이즈와 측정 오차에 대한 강건성을 입증했다.
• 양자 파이프라인은 고전적 모델 대비 학습 가능한 파라미터 수가 6개로 훨씬 적어, NISQ 장치에서 파라미터 효율성이 향상됨을 시사했다.
• 결과적으로, 현재의 양자 하드웨어를 활용하여 실세계 산업 데이터에 대해 양자 기계학습 파이프라인이 성공적으로 구현될 수 있음을 확인하였으며, 이는 향후 확장 가능한 산업용 양자 응용을 위한 기초 단계를 마련했다.