Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms

본 논문은 양성 서포트 벡터 머신에서 데이터 인코딩 회로를 최적화하기 위해 유전 알고리즘을 활용한 자동화 프레임워크를 제시하며, 이를 통해 생성된 커널이 표준 기법과 비교해 동등하거나 더 높은 분류 정확도를 달성함과 동시에 테스트 정확도와 양자 커널 엔트로피 사이에 양의 상관관계가 있음을 입증한다.

핵심

거대한 뒤섞인 양말 더미를 '왼쪽'과 '오른쪽' 더미로 분류하려 한다고 상상해 보세요. 컴퓨터 세계에서는 이를 분류라고 합니다. 이를 수행하는 인기 있는 도구가 **서포트 벡터 머신 (SVM)**입니다. SVM 을 두 그룹의 사물이 섞이지 않도록 두 그룹 사이에 완벽한 선 (또는 벽) 을 그리려 노력하는 매우 똑똑한 로봇이라고 생각하세요.

하지만 이 로봇을 양자 컴퓨팅 (컴퓨터가 정보를 처리하기 위해 물리학의 기이한 법칙을 사용하는 영역) 의 세계로 옮기면, 로봇이 데이터를 이해할 수 있도록 특별한 지시 사항이 필요합니다. 이러한 지시 사항을 양자 커널이라고 합니다.

문제: 지시 사항을 설계하는 것은 어렵습니다

보통 과학자들은 이러한 양자 지시 사항을 수동으로 설계해야 합니다. 이는 복잡한 레고 기계를 손으로 조립하듯, 어떤 부품이 어디에 맞는지 추측하며 작동하기를 바라는 것과 같습니다. 시간이 많이 걸릴 뿐만 아니라, 종종 기계가 잘 작동하지 않습니다.

해결책: 진화에 맡기세요

이 논문은 GEKO(유전 공학 커널 최적화) 라는 새로운 방법을 소개합니다. 인간이 지시 사항을 설계하는 대신, 연구자들은 컴퓨터 프로그램이 자연 진화처럼 행동하도록 했습니다.

다음은 간단한 비유를 통해 그들이 어떻게 했는지 설명한 것입니다:

1. 개체군: 무작위로 조립된 다양한 레고 기계들 (이것들이 '회로'입니다) 이 가득 찬 상자를 상상해 보세요.
2. 테스트: 이 기계들을 양말 분류 작업에 투입합니다.
3. 적자생존: 양말을 가장 잘 분류한 기계들은 유지되고, 실패한 기계들은 폐기됩니다.
4. 변이: 성공한 기계들을 복사하되, 작은 무작위 변화 (예: 빨간 벽돌을 파란 벽돌로 바꾸거나 새로운 부품을 추가하는 것) 를 가합니다.
5. 반복: 이 사이클이 반복됩니다. 자연에서와 마찬가지로, 많은 세대를 거치며 '기계'들은 인간이 정확히 어떻게 해야 하는지 알려주지 않아도 양말을 분류하는 능력이 점점 더 좋아집니다.

연구자들은 X, CNOT 등의 게이트와 같은 양자 레고 부품들의 특정 '도구 상자'를 사용하여 이러한 회로를 구축했습니다.

성공을 판단하는 두 가지 방법

이 논문은 어떤 기계가 가장 '적합한지' 결정하기 위해 두 가지 다른 방법을 테스트했습니다:

• '선생님' 방식 (지도 학습): 컴퓨터는 올바른 라벨이 있는 양말 (예: "이것은 왼쪽 양말입니다") 을 받습니다. 그런 다음 기계가 정답을 맞췄는지 확인합니다. 이는 선생님이 시험을 채점하는 것과 같습니다.
• '자기 발견' 방식 (비지도 학습): 컴퓨터는 라벨이 없는 양말을 받습니다. 정답을 확인하는 대신, 기계의 내부 상태가 얼마나 '복잡한지' 또는 '얽혀 있는지'를 살펴봅니다. 더 복잡한 내부 구조가 숨겨진 패턴을 찾는 데 더 좋을 수 있다는 아이디어입니다. 이는 최종 결과보다는 기계의 기어 장치가 얼마나 정교한지로 기계의 능력을 판단하는 것과 같습니다.

그들이 발견한 것

연구자들은 이 '진화적' 방법을 여러 데이터셋에 테스트했는데, 단순한 인공 모양 (달과 원과 같은) 에서부터 와인 종류, 유방암 기록, 약물 분류와 같은 실제 세계 데이터에 이르기까지 다양했습니다.

• 표준 방법보다 우수함: 이 유전 알고리즘으로 진화한 기계들은 인간이 일반적으로 사용하는 표준 방법과同等하거나 더 좋은 성능을 보였습니다. 그들은 '파울리 ZZ(PauliZZ)'라고 불리는 일반적인 양자 방법을 일관되게 능가했습니다.
• 부드러운 결정: 연구자들이 기계들이 어떻게 결정을 내리는지 살펴봤을 때, 유전 알고리즘은 그룹 사이에 매우 부드럽고 명확한 경계를 만들었습니다. 반면 표준 방법들은 때로는 '조각난' 또는 지저분한 경계를 만들었습니다.
• 엔트로피 미스터리: 연구자들은 기계 내부에 더 많은 '혼란'(엔트로피) 이 있을수록 더 똑똑해질지 궁금해했습니다. 그들은 기계가 얼마나 혼란스러운지와 그 성능 사이에는 강한 연관성이 없음을 발견했습니다. 지저분한 기계가 반드시 똑똑한 기계는 아니었습니다.

결론

이 논문은 데이터를 분류하기 위한 최상의 양자 지시 사항을 설계하기 위해 인간의 천재가 필요하지 않음을 보여줍니다. 유전 알고리즘 (진화의 디지털 버전) 을 사용하면 이러한 지시 사항을 자동으로 성장시킬 수 있습니다. 그 결과 데이터 효율적으로 분류하는 양자 기계가 만들어졌으며, 이는 향후 금융, 의료, 과학 분야의 도구를 훨씬 더 강력하게 만들 수 있습니다.

간단히 말해: 그들은 양자 두뇌를 손으로 조립하는 대신, 스스로 진화하도록 했으며, 그것은 매우 훌륭한 학생으로 밝혀졌습니다.

기술 요약

기술 요약: 유전 알고리즘을 활용한 양자 서포트 벡터 머신을 위한 커널 정렬

문제 제기
양자 서포트 벡터 머신 (QSVM) 은 데이터 포인트 간의 유사성을 측정하기 위해 양자 커널 함수에 의존하며, 비선형적으로 분리 가능한 데이터를 처리하고 고차원 특징 공간에서 작동하는 데 있어 고전적 SVM 대비 잠재적 이점을 제공합니다. 그러나 이러한 커널로 데이터를 인코딩하는 데 필요한 양자 회로 (특징 맵) 를 수동으로 설계하는 것은 단순한 작업이 아닙니다. 기존 설계 기법인 분석적, 수치적, 변분적 방법들은 각각 계산 효율성, 유연성, 또는 특정 데이터셋에 대한 최적 결과 산출 능력과 관련하여 한계를 지닙니다. 따라서 수동 시행착오에 의존하지 않고 분류 정확도를 향상시키기 위해 이러한 인코딩 회로를 최적화하는 자동화 접근법이 필요합니다.

방법론
저자들은 GASP(상태 준비를 위한 유전 알고리즘) 프레임워크의 확장인 '유전 공학 기반 커널 최적화 (GEKO)'라는 자동화 프레임워크를 제안합니다. 이 접근법은 QSVM 커널과 양자 신경망 (QNN) 특징 맵을 위한 최적 양자 회로 구조를 탐색하기 위해 유전 알고리즘 (GA) 을 활용합니다.

• 회로 구성: GA 는 IBM 하드웨어에 내재된 범용 게이트 세트를 사용하여 회로를 탐색합니다. 이는 단일 큐비트 $X$, $\sqrt{X}$, $R_z$ 게이트와 두 큐비트 CNOT 게이트를 포함합니다.
• 최적화 전략: 연구는 GA 를 위한 두 가지 다른 적합도 함수를 평가합니다:
  1. 지도 학습 GEKO: 적합도는 생성된 커널을 사용하여 레이블이 지정된 데이터로 훈련된 QSVM 의 분류 정확도에 기반하여 평가됩니다.
  2. 비지도 학습 GEKO: 적합도는 커널 행렬의 고유값 분석, 구체적으로 최대 정규화 고유값을 최대화함으로써 평가됩니다. 이 방법은 회로 선택 과정에서 데이터 레이블을 활용하지 않습니다.
• 진화 과정: 알고리즘은 양자 회로 군집을 초기화합니다. 개체들은 새로운 후보를 생성하기 위해 50% 확률로 변이됩니다. 가장 적합한 개체는 훈련 성능에 기반하여 선택됩니다. 일반화 가능성을 보장하고 과적합을 방지하기 위해, 새로운 후보가 검증 세트에서 더 높은 적합도를 보일 때만 기본 개체가 업데이트됩니다. 유전자 수 (회로 깊이/복잡도) 는 목표 적합도 임계값을 충족하는 최소 회로를 찾기 위해 이진 탐색을 통해 동적으로 조정됩니다.
• 데이터셋: 이 프레임워크는 세 가지 합성 (Moons, XOR, Circles) 과 여섯 가지 실제 세계 (Iris, Wine, Breast Cancer, Irrigation, Parkinson's, Drug Classification) 데이터셋을 포함한 총 아홉 개의 데이터셋에서 테스트되었습니다. 주성분 분석 (PCA) 은 분산의 95% 를 설명하는 특징 차원으로 축소하는 데 사용되었습니다.

주요 기여

1. 자동화된 회로 생성: 이 논문은 QSVM 과 QNN 을 위한 양자 인코딩 회로를 자동으로 생성하기 위해 유전 알고리즘을 적용함을 보여줌으로써 수동 회로 설계에 대한 의존성을 제거합니다.
2. 비교 적합도 분석: 이 연구는 커널 최적화를 위한 지도 학습 (정확도 기반) 과 비지도 학습 (고유값 기반) 적합도 함수를 도입하고 비교하여 회로 성능에 미치는 영향을 분석합니다.
3. 엔트로피 - 정확도 상관관계: 생성된 회로의 얽힘에 대한 폰 노이만 엔트로피와 테스트 정확도 간의 관계를 조사하여 더 높은 얽힘이 더 나은 분류 성능과 상관관계가 있는지 대한 경험적 데이터를 제공합니다.
4. 하드웨어 네이티브 구현: 생성된 회로는 현재 IBM 양자 하드웨어와 호환되는 게이트 세트를 사용하여 실용적 적용 가능성을 보장합니다.

결과

• 성능 대 벤치마크: 테스트된 모든 데이터셋에서 GEKO 가 생성한 커널 (지도 학습 및 비지도 학습 모두) 은 표준 PauliZZ 양자 커널보다 일관되게 우수한 성능을 보였습니다. 이들은 고전적 Radial Basis Function (RBF) 커널과 유사한 성능을 보였으며, 일부 경우에는 이를 능가했습니다.
• 결정 경계: 결정 경계에 대한 시각적 분석은 GEKO 와 RBF 커널이 클래스를 효과적으로 분리하는 매끄럽고 잘 정의된 경계를 생성한 반면, PauliZZ 커널은 종종 클래스를 적절히 분리하지 못하는 patchy 한 경계를 초래했음을 보여주었습니다.
• 지도 학습 대 비지도 학습: 지도 학습 및 비지도 학습 GEKO 기법은 데이터셋 전반에 걸쳐 비교 가능한 성능을 산출했습니다. 이는 이러한 특정 작업의 경우 비지도 학습 고유값 기반 지표가 분류 정확도에 대한 유효한 대리 변수가 될 수 있음을 시사하며, 최적화 단계에서 레이블이 지정된 데이터의 필요성을 줄일 수 있음을 의미합니다.
• 엔트로피와 정확도: 테스트 정확도와 폰 노이만 엔트로피에 대한 분석은 약하거나 전혀 없는 강한 상관관계를 보여주었습니다. 일부 데이터셋은 약한 양의 기울기를 보였지만, 다른 데이터셋은 음의 상관관계나 무시할 수 있는 상관관계를 보였습니다. 저자들은 회로 엔트로피를 증가시키는 것이 반드시 향상된 테스트 정확도를 보장하지는 않는다고 결론지었습니다.
• QNN 최적화: QNN 에 적용되었을 때, GA 로 최적화된 특징 맵은 네트워크가 최적화 평탄지를 극복하고 매끄러운 결정 경계를 가진 합성 데이터셋에서 높은 테스트 정확도를 달성하도록 했습니다.

의의 및 주장
이 논문은 양자 회로 최적화를 위해 유전 알고리즘을 사용하는 것이 수동 설계에 대한 유망한 대안을 제공하며, 표준 고전적 및 양자 커널 기법과 맞먹거나 능가하는 성능을 가진 회로를 생성할 수 있다고 주장합니다. 저자들은 이 자동화 프레임워크가 시행착오를 줄여 금융, 의료, 재료 과학 분야에서 QSVM 과 QNN 성능을 향상시키는 실용적인 도구가 될 수 있다고 제시합니다.

이 연구는 해당 방법이 표준 분류 작업에 상당한 잠재력을 보이지만, 더 크고 복잡한 실제 세계 데이터셋에서의 효과를 검증하기 위해서는 추가 연구가 필요하다는 점을 겸손하게 결론지었습니다. 저자들은 또한 고도로 일반화되고 목표 데이터에 대해 구체적으로 최적화된 모델을 만들기 위해 지도 학습 및 비지도 학습 적합도 함수를 결합하는 향후 방향도 제안합니다.