Core Concepts
양자 생성 모델에 도입된 비선형성이 모델의 고전적 시뮬레이션 가능성을 감소시키지만 최적화 안정성을 저하시킬 수 있다.
Abstract
이 연구는 양자 생성 모델에 도입된 비선형성이 모델의 고전적 시뮬레이션 가능성과 최적화 안정성에 미치는 영향을 조사한다.
첫째, 반복-성공-중단(RUS) 서브루틴을 통해 도입된 비선형성이 양자 역학의 측정 지연 원리로 인해 모델을 고전적으로 시뮬레이션 가능하게 만드는지 확인한다. 분석 결과, RUS 서브루틴은 모델을 고전적 베이지안 네트워크로 매핑할 수 없게 만들지만, 중간 측정이 없는 선형 모델은 그렇게 할 수 있다. 이는 제안된 비선형성이 모델을 고전적으로 효율적으로 시뮬레이션할 수 없게 만든다는 것을 강력히 시사한다.
둘째, 이 비선형성이 최적화 과정의 불안정성을 초래하는지 조사한다. 3가지 확률 분포(이산 가우스, 바 및 줄무늬, 기수 제한)에 대해 (5, 0, 6) 구조의 양자 뉴런 Born 기계(QNBM)를 학습시킨 결과, 일부 분포에 대해서는 매우 안정적인 성능을 보였지만 다른 분포에 대해서는 학습 성능이 매우 불안정한 것으로 나타났다. 이는 이 형태의 비선형성이 일반적인 양자 신경망 학습에 유용하지 않을 수 있으며 특정 데이터 작업에 더 유용할 수 있음을 시사한다.
Stats
최적의 KL 발산 값: 0.0399 (기수 제한 분포), 0.0991 (바 및 줄무늬 분포), 0.0194 (이산 가우스 분포)
최악의 KL 발산 값: 0.0452 (기수 제한 분포), 0.2463 (바 및 줄무늬 분포), 0.4601 (이산 가우스 분포)
평균 KL 발산 값: 0.0424 (기수 제한 분포), 0.1588 (바 및 줄무늬 분포), 0.2158 (이산 가우스 분포)
KL 발산 값의 표준 편차: 0.0024 (기수 제한 분포), 0.0786 (바 및 줄무늬 분포), 0.2009 (이산 가우스 분포)