양자 해밀토니안 임베딩을 이용한 지도 학습

원문 발행 2026. 10. 20. 02:56원문 언어 영어AI 한국어 번역arXiv cs.LG (Machine Learning) 원문 보기

요약

본 논문은 고전 데이터셋을 단일 해밀토니안으로 인코딩하는 '양자 해밀토니안 임베딩' 지도 학습 프레임워크를 제안합니다. 이 방법은 훈련 과정에서 해밀토니안 매개변수를 최적화하고, 근사 바닥 상태가 분류 규칙을 정의합니다. 연구진은 효율적인 기울기 추정 방법을 확립하고 일반화 보장을 증명했으며, IBM Heron 프로세서로 대규모 시연했습니다.

핵심 포인트

고전 데이터를 해밀토니안으로 인코딩하는 지도 학습 프레임워크 제시
근사 바닥 상태를 이용한 분류 규칙 정의 및 추론 가능
효율적인 기울기 추정 방법과 일반화 보장 증명 완료
IBM Heron 프로세서에서 대규모 벤치마크 시연을 통해 실현 가능성 입증

머신러닝은 양자 컴퓨팅이 계산적 우위를 제공할 수 있는 유망한 응용 분야로 널리 여겨지고 있습니다. 하지만 성능, 학습 가능성 및 효율적인 추론에 대한 증명 가능한 보장을 가진 일반적인 양자 머신러닝 모델은 여전히 제한적입니다. 본 논문에서는 고전적인 학습 데이터셋을 단일하고 효과적인 매개변수화된 해밀토니안으로 인코딩하는 지도 학습 프레임워크인 양자 해밀토니안 임베딩(quantum Hamiltonian embeddings)을 소개합니다. 훈련 과정은 이 데이터 의존적 해밀토니안의 매개변수를 최적화하며, 이 해밀토니안의 근사 바닥 상태가 분류 규칙을 정의합니다. 일단 양자 알고리즘을 사용하여 바닥 상태를 근사하면, 추론은 학습된 상태의 고전적인 표현을 사용하거나 상태의 양자 표현을 사용하여 클래식하게 수행될 수 있습니다. 우리는 기울기 추정(gradient estimation)에 대한 효율적인 방법을 확립하고 유리한 일반화 보장(generalization guarantees)을 증명합니다. 나아가, 표준 암호학적 가정 하에서 해밀토니안 임베딩이 효율적인 고전 알고리즘의 도달 범위를 넘어서는 가설 함수를 실현할 수 있음을 보여줍니다. 이후 IBM Heron 프로세서를 사용하여 표준 벤치마크 데이터셋으로 이 프레임워크를 대규모로 시연합니다. 종합적으로, 이러한 결과들은 해밀토니안 임베딩을 양자 머신러닝의 새로운 프레임워크로 확립하며, 이론적 보장과 양자 하드웨어에서의 실험적 대규모 조사 경로를 결합합니다.

AI 자동 생성 콘텐츠

원문 바로가기

양자 해밀토니안 임베딩을 이용한 지도 학습

요약

핵심 포인트

댓글