Is Quantum Optimization Ready? An Effort Towards Neural Network Compression using Adiabatic Quantum Computing
Created by
Haebom
저자
Zhehui Wanga, Benjamin Chen Ming Choonga, Tian Huang, Daniel Gerlinghoffa, Rick Siow Mong Goh, Cheng Liu, Tao Luo
개요
본 논문은 양자 어닐링(AQC)을 활용하여 합성곱 신경망의 미세 조정 가지치기-양자화를 수행하는 방법을 제시합니다. 기존의 휴리스틱 기법들을 재구성하여 모델 압축 문제를 이진 제약 없는 2차 최적화(QUBO) 문제로 공식화하고, 상용 양자 어닐링 장치를 이용하여 해 공간을 평가합니다. 실험을 통해 AQC가 실제 DNN 모델의 효과적인 압축을 달성할 수 있음을 보여주며, 유전 알고리즘이나 강화 학습과 같은 고전적 알고리즘보다 시간 효율성이 높고 전역 최적점을 찾는 데 탁월함을 입증합니다. 특히, 대규모 심층 신경망의 최적화에 있어서 양자 컴퓨팅의 활용 가능성을 탐색하는 연구입니다.
시사점, 한계점
•
시사점:
◦
AQC를 활용한 DNN 모델 압축의 효과성을 실험적으로 검증.
◦
고전적 알고리즘 대비 AQC의 시간 효율성 및 전역 최적점 탐색 능력 우수성 제시.
◦
대규모 DNN 모델의 지속 가능한 배포를 위한 새로운 최적화 전략 제시.
◦
양자 컴퓨팅을 활용한 DNN 최적화의 가능성을 탐색.
•
한계점:
◦
상용 양자 어닐링 장치에 대한 의존성. 장치의 성능 및 접근성에 제한이 있을 수 있음.
◦
제안된 방법이 모든 유형의 DNN 또는 압축 기법에 적용 가능한지에 대한 추가 연구 필요.
◦
QUBO formulation의 일반화 및 다른 양자 알고리즘으로의 확장성에 대한 추가 연구 필요.
◦
현재는 특정 DNN 아키텍처와 압축 기법에 국한된 결과이므로 일반화 가능성에 대한 추가 연구 필요.