Quantum Generative Adversarial 모델: 대체 무엇에 관한 것입니까?

2014년 6월 Ian Goodfellow와 그의 동료 몇 명이 Generative adversarial network라는 아이디어를 제안했습니다 . 기계 학습에 익숙하다면 과거에 GAN(또는 qGAN)에 대해 들어봤을 것입니다.

그러나 그렇지 않은 경우 초조해하지 마십시오. 당신은 바로 이곳에 왔습니다. 더 자세히 알아보고 싶다면 양자 생성 AI에 대한 간단하고 간결한 설명을 함께 읽으십시오.

GAN(Generative Adversarial Network)은 초기에 제공된 학습 데이터와 유사한 새로운 데이터를 생성할 수 있는 일종의 기계 학습 모델입니다. 이 클래스의 ML 덕분에 회사는 존재하지도 않는 것, 그리고 훨씬 더 많은 것을 정확하게 표현할 수 있었습니다 .

' adversarial' 이라는 단어를 사용하여 짐작할 수 있듯이 GAN은 생성기와 판별기로 구성됩니다. 제로섬 게임에서 서로 경쟁하는 두 개의 신경망.

GAN의 생성자는 훈련된 데이터와 유사한 새로운 데이터를 생성하는 방법을 학습하는 반면, 판별자는 실제 데이터와 생성된 데이터를 구별하는 방법을 학습합니다. 그런 다음 판별자는 분석한 데이터가 진짜인지 가짜인지 여부를 나타내는 이진 출력을 생성한 다음 반복을 위해 생성기로 다시 피드백됩니다.

이 적대적 훈련 과정을 통해 생성자는 사실적인 데이터를 더 잘 생성하는 반면 판별자는 가짜 데이터를 더 잘 식별하게 됩니다. 그러나 궁극적인 목표는 GAN이 수렴 상태에 도달하는 것입니다 . 생성기가 매우 효과적이어서 판별자가 실제 데이터에서 가짜를 구별할 확률이 동전 던지기의 확률인 50/50에 가까워집니다.

이 상황에서 GAN은 초기 데이터 세트를 기반으로 모든 유형의 데이터를 성공적으로 생성할 수 있습니다. 판별자가 더 이상 실제와 인공적으로 만들어진 것을 구분할 수 없다면 인간도 구분할 수 없을 것입니다.

믹스에 양자 컴퓨팅 추가

그러나 GAN은 완벽하지 않습니다.

더 많은 출력을 생성하려고 하면 계산 비용이 꽤 많이 들 수 있으며 많은 리소스가 필요합니다. 이는 GAN이 효과적으로 훈련하기 위해 많은 반복이 필요하고 각 반복에는 생성기와 판별기 모두의 순방향 및 역방향 패스 계산이 포함되기 때문입니다.

그러나 양자 기술을 믹스에 통합하면 이러한 문제를 해결하기가 훨씬 쉬워집니다.

qGAN(Quantum Generative Adversarial Networks)은 양자 알고리즘과 하드웨어를 활용하여 합성 데이터를 생성합니다. 실제로 그들은 매개변수화된 양자 회로를 판별기, 생성기, 데이터 세트( 이 경우 초기 데이터 포인트가 양자 상태를 통해 표시됨 ) 또는 세 가지의 다른 조합으로 통합합니다 .

단순화를 위해 모든 구성 요소에 양자를 통합하면 생성 프로세스가 어떻게 보이는지 살펴보겠습니다.

qGAN의 훈련 초기에 양자 생성기는 기존의 양자 생성기와 유사하게 작동합니다. 도움 없이 실제 데이터 세트의 데이터를 미러링한 다음 판별자에게 출력 (양자 상태) 을 제공합니다.

그런 다음 두 개의 양자 네트워크는 생성기가 보다 현실적인 출력을 생성하려고 시도하고 판별기가 차별화 기능을 개선하려고 시도하면서 서로에게 앞뒤로 공급합니다.

그러나 qGAN에서 discriminator와 generator는 기존 상대와 다르게 효율성을 최적화합니다. 대신, 그들은 완벽한 양자 상태를 결정하기 위해 이상적인 매개변수를 찾는 것을 목표로 합니다.

이러한 맥락에서 양자 신경망의 매개변수는 네트워크의 동작을 결정하는 조정 가능한 값입니다. 이러한 값은 훈련 프로세스 중에 설정되며 특정 작업에 대한 네트워크 성능을 최적화하도록 조정할 수 있습니다.

따라서 실제로 이 프로세스에는 생성기 회로와 판별기 회로를 교육하는 과정이 번갈아 가며 포함됩니다. 한편, 한 회로의 변경이 다른 회로의 훈련을 방해하지 않도록 다른 회로가 훈련되는 동안 한 회로의 매개변수는 일정하게 유지되어야 합니다.

시간이 지남에 따라 최종 의도는 일반 GAN에서 관찰하는 것과 동일합니다. 이상적으로는 판별기가 더 이상 실제 양자 상태와 생성기가 만든 양자 상태를 정확하게 구별할 수 없습니다. discriminator의 성공 확률은 다시 한 번 동전 던지기의 확률인 50/50에 가깝습니다.

그래서 뭐?

앞서 언급했듯이 qGAN과 GAN의 많은 주요 차이점 중 하나는 전자가 확률 분포 대신 양자 상태를 사용하여 데이터를 생성할 수 있다는 것입니다.

그러나 이러한 양자 상태는 처음에 깨닫는 것보다 더 유용합니다. 그들은 고전적인 확률 분포를 사용하여 표현하기 어려운 그래프 및 분자와 같은 복잡한 데이터 구조를 나타내는 데 사용할 수 있습니다.

또한 qGAN은 잠재적으로 양자 병렬 처리를 활용하여 기존 GAN보다 훨씬 빠르게 데이터를 생성할 수 있습니다. 이는 양자 회로가 많은 작업을 병렬로 수행할 수 있어 대량의 데이터를 생성하는 데 유용할 수 있기 때문입니다.

따라서 qGAN이 초기 파생물인 고전적인 GAN과 상당히 다르다는 것을 깨닫는 것은 그리 어렵지 않습니다. 누가 압니까? 양자 기술이 지속적으로 개선됨에 따라 qGAN은 양자 화학에서 현대 금융에 이르기까지 다양한 산업에서 점점 더 파괴적인 도구가 될 수 있습니다.

가능성은 무한하고 잠재력은 방대하므로 생성 모델링의 미래에서 어떤 종류의 비약적인 도약이 우리를 기다리고 있는지 궁금할 뿐입니다.

여기요; 내 이름은 사마이! 저는 제 주변 세계를 탐험하는 데 관심이 있는 고등학생이며 현재는 양자 컴퓨팅과 그 애플리케이션에 관심을 가지고 있습니다. 제 기사를 재미있게 읽으셨다면 제 월간 뉴스레터 에 가입하고 LinkedIn 에 저를 추가하여 새로운 프로젝트와 업데이트를 확인 하세요 ! 연결을 원하시면 [email protected] 으로 이메일을 보내주세요 !

이 기사는 Qiskit의 Quantum Machine Learning 과정을 참조하여 작성되었습니다 .