Training-efficient density quantum machine learning
Created by
Haebom
저자
Brian Coyle, Snehal Raj, Natansh Mathur, El Amine Cherrat, Nishant Jain, Skander Kazdaghli, Iordanis Kerenidis
개요
양자 머신러닝(QML)에서 복잡한 문제 해결을 위해서는 강력하고 유연하며 효율적으로 훈련 가능한 모델이 필요합니다. 본 논문에서는 계수에 대한 분포 제약 조건을 갖는 훈련 가능한 유니터리들의 혼합물을 준비하는 밀도 양자 신경망(density quantum neural networks)이라는 모델 계열을 제시합니다. 이 프레임워크는 특히 양자 하드웨어에서 표현력과 효율적인 훈련 가능성 간의 균형을 맞춥니다. 표현력 측면에서는 Hastings-Campbell Mixing lemma를 이용하여 유니터리의 선형 결합으로부터 얻는 이점을 유사한 성능 보장을 가지지만 더 얕은 회로를 갖는 밀도 모델로 변환합니다. 훈련 가능성 측면에서는 교환 생성기 회로를 사용하여 효율적으로 기울기를 추출할 수 있는 밀도 모델을 구성합니다. 이 프레임워크는 사후 변분 학습 및 측정 기반 학습을 포함한 QML의 다양한 측면과 연결됩니다. 고전적인 설정에서 밀도 모델은 전문가 혼합 형식을 자연스럽게 통합하고 과적합 완화를 제공합니다. 이 프레임워크는 다양하게 적용 가능하며, 여러 양자 모델을 밀도 버전으로 향상시켜 모델 성능이나 훈련 가능성 또는 둘 다를 개선합니다. 여기에는 해밍 가중치 보존 모델 및 등변 모델 등이 포함됩니다. 광범위한 수치 실험을 통해 연구 결과를 검증했습니다.
시사점, 한계점
•
시사점:
◦
밀도 양자 신경망이라는 새로운 모델 계열을 제시하여 양자 머신러닝의 표현력과 훈련 효율성을 향상시켰습니다.
◦
Hastings-Campbell Mixing lemma를 활용하여 얕은 회로로 높은 성능을 달성할 수 있음을 보였습니다.
◦
교환 생성기 회로를 이용하여 효율적인 기울기 추출이 가능하게 하였습니다.
◦
다양한 양자 모델에 적용 가능하며 성능 및 훈련 가능성 향상을 보였습니다.
◦
고전적인 설정에서 과적합 완화 효과를 제공합니다.
•
한계점:
◦
본 논문에서 제시된 밀도 양자 신경망의 실제 양자 하드웨어에서의 성능 평가는 제한적입니다.
◦
다양한 양자 알고리즘 및 문제에 대한 일반화 가능성에 대한 추가 연구가 필요합니다.
◦
밀도 모델의 계수에 대한 분포 제약 조건 설정에 대한 최적화 전략에 대한 추가 연구가 필요합니다.
