[논문 리뷰] QuGAN: A Generative Adversarial Network Through Quantum States

Samuel A. Stein, Betis Baheri외 6명|arXiv (Cornell University)|2020. 10. 18.

Computational Physics and Python Applications참고 문헌 41인용 수 24

한 줄 요약

QuGAN은 양자 상태의 일치도와 스왑 테스트를 활용하여 손실 함수를 계산하는 양자 생성 대비 신경망을 제안한다. 이로 인해 기존의 고전적 GAN보다 94.98% 적은 파rameter로 안정적인 학습이 가능해졌으며, 최신의 양자 GAN보다 48.33% 높은 성능 향상을 이룩했다. 또한 실제 데이터 분포와의 유사도 오차는 0.5% 미만을 유지한다.

ABSTRACT

Tremendous progress has been witnessed in artificial intelligence, where neural network backed deep learning systems have been used, with applications in almost every domain. As a representative deep learning framework, Generative Adversarial Network (GAN) has been widely used for generating artificial images, text-to-image or image augmentation across areas of science, arts and video games. However, GANs are computationally expensive, sometimes computationally prohibitive. Furthermore, training GANs may suffer from convergence failure and modal collapse. Aiming at the acceleration of use cases for practical quantum computers, we propose QuGAN, a quantum GAN architecture that provides stable convergence, quantum-states based gradients and significantly reduced parameter sets. The QuGANarchitecture runs both the discriminator and the generator purely on quantum state fidelity and utilizes the swap test on qubits to calculate the values of quantum-based loss functions. Built on quantum layers, QuGAN achieves similar performance with a 94.98% reduction on the parameter set when compared to classical GANs. With the same number of parameters, addition-ally, QuGAN outperforms state-of-the-art quantum based GANsin the literature providing a 48.33% improvement in system performance compared to others attaining less than 0.5% in terms of similarity between generated distributions and original data sets.

연구 동기 및 목표

• 고전적 GAN의 계산 비용과 학습 불안정성, 특히 수렴 실패와 모달 붕괴 문제를 해결하기 위해.
• 양자 계산에 기반한 네이티브 아키텍처를 설계하여 실용적 양자 컴퓨팅 응용을 가속화하기 위해.
• 성능을 유지하거나 향상시키면서도 GAN의 학습 가능한 파rameter 수를 줄이기 위해.
• 양자 상태의 특성과 양자 연산을 활용하여 생성 모델의 더 효율적이고 안정적인 학습을 위해.
• 양자 기반 최적화를 통해 실제 데이터와의 분포적 차이가 최소화된 고품질의 생성 데이터를 도출하기 위해.

제안 방법

• Generator와 Discriminator의 주요 표현으로 고전적 신경망 대신 양자 상태를 사용한다.
• 판별자는 입력된 상태 간의 양자 상태 일치도를 계산하여 실제 데이터와 생성된 데이터를 평가한다.
• 큐비트에 스왑 테스트를 적용하여 일치도를 추정하고, 양자 기반 손실 함수를 계산한다.
• 양자 레이어를 사용하여 생성자와 판별자를 구성함으로써 파rameter 효율적인 학습을 가능하게 한다.
• 고전적 역전파를 피하기 위해 양자 상태 연산에서 직접 기울기를 계산한다.
• 손실을 최소화하기 위해 양자 상태의 진화와 측정 기반 최적화를 사용하여 아키텍처를 학습시킨다.

실험 결과

연구 질문

• RQ1 순수하게 양자 상태 연산에 기반한 GAN 아키텍처가 수렴 실패 없이 안정적인 학습을 달성할 수 있는가?
• RQ2 양자 상태 일치도와 스왑 테스트가 고전적 손실 함수를 얼마나 효과적으로 대체할 수 있는가?
• RQ3 QuGAN의 파rameter 효율성은 고전적 GAN과 기존의 양자 GAN에 비해 어느 정도인가?
• RQ4 QuGAN은 실제 데이터 분포와의 유사도가 매우 높은 생성 데이터 분포를 생성할 수 있는가?
• RQ5 동일한 파arameter 제약 조건 하에서 QuGAN은 최신의 양자 GAN에 비해 어떤 성능 향상을 이룩하는가?

주요 결과

• QuGAN은 고전적 GAN에 비해 학습 가능한 파arameter 수를 94.98% 감소시켜 파arameter 효율성 측면에서 뚜렷한 향상을 이뤘다.
• 동일한 파arameter 수로 QuGAN은 기존의 양자 GAN보다 48.33% 높은 시스템 성능을 기록했다.
• 생성된 데이터와 실제 데이터 분포 간의 유사도 오차가 0.5% 이하로 유지되었다.
• 양자 상태 일치도와 스왑 테스트의 활용으로 기존 GAN에서 흔히 발생하는 고전적 실패 모드 없이 안정적인 학습이 가능했다.
• 양자 기반 기울기와 손실 계산은 고전적 역전파에 비해 더 효율적인 최적화를 이끌어냈다.
• 실용적 양자 컴퓨팅 응용 분야에서의 강력한 확장 가능성 잠재력을 보였다.