KR20210081859A - 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템 - Google Patents

오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템 Download PDF

Info

Publication number
KR20210081859A
KR20210081859A KR1020190174220A KR20190174220A KR20210081859A KR 20210081859 A KR20210081859 A KR 20210081859A KR 1020190174220 A KR1020190174220 A KR 1020190174220A KR 20190174220 A KR20190174220 A KR 20190174220A KR 20210081859 A KR20210081859 A KR 20210081859A
Authority
KR
South Korea
Prior art keywords
learning
quantum
classical
sample
quantum state
Prior art date
Application number
KR1020190174220A
Other languages
English (en)
Other versions
KR102515090B1 (ko
Inventor
이준구
박종훈
박경덕
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190174220A priority Critical patent/KR102515090B1/ko
Publication of KR20210081859A publication Critical patent/KR20210081859A/ko
Application granted granted Critical
Publication of KR102515090B1 publication Critical patent/KR102515090B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Error Detection And Correction (AREA)

Abstract

본 발명은 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템에 관한 것으로서, 보다 구체적으로는 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템에 관한 것이다.
본 발명에서는, 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집 단계; 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리 단계; 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정 단계; 및 상기 양자 상태의 측정 결과를 이용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습 단계;를 포함하는 것을 특징으로 하는 양자 학습 방법을 개시한다.

Description

오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템 {Quantum algorithm and circuit for learning parity with noise of classical learning data and system thereof}
본 발명은 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템에 관한 것으로서, 보다 구체적으로는 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템에 관한 것이다.
종래 패리티 학습(Learning parity with noise, LPN)에 대한 양자 알고리즘은 이상적인 양자 오라클(quantum oracle)을 상정하여 접근하였다.
여기서, 양자 오라클(quantum oracle)이란 패리티 생성 함수에 해당하는 단일 양자 게이트(Unitary quantum gate)로, 가능한 전체 학습 표본(complete data sample set)에 대한 이상적인 중첩 상태를 생성하는 기능을 제공한다.
그러나, 실제 환경에서 학습 표본은 양자 오라클(quantum oracle) 보다는 오히려 희소 학습 표본(sparse data sample set)을 가지는 고전적 정보가 제공되고 이것을 기반으로 학습을 수행하여 문제를 해결하는데 한계가 따를 수 있었다.
이에 따라, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대하여 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있는 방안에 대한 요구가 지속되고 있으나, 아직 이에 대한 적절한 해법이 제시되지 못하고 있다.
대한민국 공개특허 제 10-2018-0082344호 (2018.07.18)
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위해 창안된 것으로, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대하여 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있는 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템을 제공하는 것을 목적으로 한다.
그 외 본 발명의 세부적인 목적은 아래에 기재되는 구체적인 내용을 통하여 이 기술 분야의 전문가나 연구자에게 자명하게 파악되고 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 한 측면에 따른 양자 학습 방법은, 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집 단계; 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리 단계; 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정 단계; 및 상기 양자 상태의 측정 결과를 이용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습 단계;를 포함하는 것을 특징으로 한다.
이때, 상기 전처리 단계에서, 상기 오류가 존재하는 고전적 학습 표본은 양자 RAM(quantum random access memory)를 이용하여 양자 상태(quantum state)로 인코딩(encoding)될 수 있다.
또한, 상기 전처리 단계에서, 주어지지 않은 학습 표본에 대해서는 패리티 비트에 대한 예측 값을 사용하여 양자 상태를 생성할 수 있다.
여기서, 상기 패리티 비트에 대한 예측 값은, 상기 양자 상태 측정 단계와 상기 강화 학습 단계를 반복하면서 학습되어 산출될 수 있다.
또한, 상기 양자 상태 측정 단계에서는, 상기 하다마드 게이트(Hadamard gate)를 적용한 후, 상기 각 큐비트를 z-기저(z-basis)에 대하여 측정할 수 있다.
또한, 상기 강화 학습 단계는, 상기 수집된 고전적 학습 표본의 데이터 비트에 대한 패리티 비트를 산출하고, 상기 수집된 고전적 학습 표본의 패리티 비트와 비교하는 단계; 및 상기 비교 결과를 이용하여 상기 주어지지 않은 학습 표본에 대한 학습을 수행하는 단계;를 포함할 수 있다.
여기서, 상기 강화 학습 단계는, 안실라 비트(ancilla bit)가 1인 경우를 선별하는 단계;를 더 포함할 수 있다.
또한, 본 발명의 다른 측면에 따른 양자 학습 시스템은, 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집부; 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리부; 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정부; 및 상기 양자 상태의 측정 결과를 강화 학습의 상태(state) 정보로 활용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습부;를 포함하는 것을 특징으로 한다.
이에 따라, 본 발명의 일 실시예에 따른 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템에서는, 고전적 학습 표본을 양자 데이터로 전환하고, 패리티 학습 과정에 강화 학습(reinforcement learning)을 적용하여, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대해서도 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있게 된다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명의 일 실시예에 따른 양자 학습 방법의 순서도이다.
도 2와 도 3은 본 발명의 일 실시예에 따른 양자 학습 방법, 양자 회로 및 시스템의 구체적인 구성 및 동작을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 양자 학습 방법에서 강화 학습 단계에 대한 구체적인 순서도이다.
도 5는 본 발명의 일 실시예에 따른 양자 학습 시스템의 구성도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 이하에서는 특정 실시예들을 첨부된 도면을 기초로 상세히 설명하고자 한다.
이하의 실시예는 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시 예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
아래에서는, 본 발명의 일 실시예에 따른 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에 대한 예시적인 실시 형태들을 첨부된 도면을 참조하여 차례로 설명한다.
먼저, 도 1에서는 본 발명의 일 실시예에 따른 양자 학습 방법의 순서도를 도시하고 있다.
도 1에서 볼 수 있는 바와 같이 본 발명의 일 실시예에 따른 양자 학습 방법은, 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집 단계(S110), 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리 단계(S120), 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)(131)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정 단계(S130) 및 상기 양자 상태의 측정 결과를 이용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습 단계 (S140)를 포함할 수 있다.
이때, 상기 전처리 단계(S110)에서, 상기 오류가 존재하는 고전적 학습 표본은 양자 RAM(quantum random access memory)(121)를 이용하여 양자 상태(quantum state)로 인코딩(encoding)될 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
또한, 상기 전처리 단계(S110)에서, 상기 고전적 학습 표본에서 주어지지 않은 학습 표본에 대해서는 패리티 비트에 대한 예측 값을 사용하여 양자 상태를 생성할 수 있으며, 이때 상기 패리티 비트에 대한 예측 값은, 상기 양자 상태 측정 단계(S130)와 상기 강화 학습 단계(S140)를 반복하면서 학습되어 산출될 수 있다.
또한, 상기 양자 상태 측정 단계(S130)에서는, 상기 하다마드 게이트(Hadamard gate)(131)를 적용한 후, 상기 각 큐비트를 z-기저(z-basis)에 대하여 측정할 수 있다.
또한, 상기 강화 학습 단계(S140)는, 상기 수집된 고전적 학습 표본의 데이터 비트에 대한 패리티 비트를 산출하고, 상기 수집된 고전적 학습 표본의 패리티 비트와 비교하는 단계(S142) 및 상기 비교 결과를 이용하여 상기 주어지지 않은 학습 표본에 대한 학습을 수행하는 단계(S143)를 포함할 수 있으며, 나아가 안실라 비트(ancilla bit)가 1인 경우를 선별하는 단계(S141);를 더 포함할 수도 있다.
이에 따라, 본 발명의 일 실시예에 따른 양자 학습 방법에서는, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대해서도 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있게 된다.
또한, 도 2와 도 3에서는 본 발명의 일 실시예에 따른 양자 학습 방법, 양자 회로 및 시스템(100)의 구체적인 구성 및 동작을 설명하고 있다.
이하, 도 1 내지 도 3을 참조하여 본 발명의 일 실시예에 따른 양자 학습 방법, 양자 회로 및 시스템(100)을 구성요소별로 나누어 보다 자세하게 살핀다.
먼저, 상기 학습 표본 수집 단계(S110)에서는, 패리티 비트에 오류가 존재하는 고전적 학습 표본(Classical training sample)을 수집하게 된다.
이때, 상기 고전적 학습 표본(Classical training sample)은 n 비트의 가능한 모든 이진 수열로부터 완전히 무작위로 추출될 수 있으며, 노이즈(noise)는 계산된 패리티 비트(parity bit)에 베르누이 분포(Bernoulli distribution)에 따라 발생한다고 가정할 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
이어서, 상기 전처리 단계(S120)에서는, 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하게 된다.
이때, 오류가 있는 고전적 학습 표본은 양자 RAM(quantum random access memory)에 의해 양자 상태(quantum state)로 인코딩(encoding)될 수 있다.
또한, 상기 고전적 학습 표본에서 주어지지 않은 학습 표본에 대한 전처리는 패리티 비트(parity bit)에 대한 예측값으로 인공적인 양자 상태를 생성하는 것에 해당할 수 있으며, 이때 상기 패리티 비트(parity bit)에 대한 예측은 상기 양자 상태 측정 단계(S130) 및 상기 강화 학습 단계(S140)에서의 각 측정 결과와 강화 학습(reinforcement learning)을 통해 이루어질 수 있다.
이에 따라, 전처리된 양자 상태는 아래의 수학식 1에 의하여 표현하는 것이 가능하다.
[수학식 1]
Figure pat00001
다음으로, 상기 양자 상태 측정 단계(S130)에서는, 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)(131)를 적용한 후 상기 각 큐비트를 측정하게 된다.
보다 구체적으로, 상기 양자 상태 측정 단계(S130)에서는, 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)(131)를 적용하고 그 후 각 큐비트(qubit)를 z-기저(z-basis)에 대해 측정할 수 있다.
이이 대하여, 도 2에서는, 상기 학습 표본 수집 단계(S110), 상기 전처리 단계(S120) 및 상기 양자 상태 측정 단계(S130)까지의 동작을 도식화하여 보여주고 있다.
이어서, 상기 강화 학습 단계(S140)에서는, 상기 양자 상태의 측정 결과를 이용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하게 된다.
이때, 도 4에서 볼 수 있는 바와 같이, 상기 양자 상태 측정 단계(S130)는, 상기 수집된 고전적 학습 표본의 데이터 비트에 대한 패리티 비트를 산출하고, 상기 수집된 고전적 학습 표본의 패리티 비트와 비교하는 단계(S142) 및 상기 비교 결과를 이용하여 상기 주어지지 않은 학습 표본에 대한 학습을 수행하는 단계(S143)를 포함할 수 있다.
나아가, 상기 양자 상태 측정 단계(S130)는 안실라 비트(ancilla bit)가 1인 경우를 선별하는 단계(S141);를 더 포함할 수도 있다.
보다 구체적으로, 상기 양자 상태 측정 단계(S130)에서의 각 측정 결과는 안실라 비트(ancilla bit)가 1인 경우에만 의미를 가질 수 있다. 여기서, 상기 안실라 비트(ancilla bit)는 1/2 확률로 1의 값을 가지게 되며, 이 때의 측정 결과는 패리티 비트(parity bit)의 계산에 필요한 고정된 비트의 위치를 의미하게 된다.
이어서, 상기 양자 상태 측정 단계(S130) 단계의 측정 결과가 저장될 수 있다.
이때, 주어진 고전적 학습 표본들은 무작위 데이터 비트(이진수)와 오류가 있는 패리티 비트로 이루어질 수 있다.
이에 따라, 상기 주어진 고전적 학습 표본의 무작위 데이터 비트에 대한 패리티 비트(parity bit)를 상기 저장된 측정 결과들로부터 다시 계산한다.
이어서, 상기 표본으로 주어진 패리티 비트(parity bit)와 계산된 패리티 비트(parity)를 비교하여 가장 오차가 적은 측정 결과를 확인한다.
이에 따라, 상기 확인된 측정 결과는 이어지는 다음 스텝에서 주어지지 않은 학습 표본들에 대한 패리티 비트(parity bit)를 예측하기 위해 사용될 수 있다.
상기 일련의 단계는 학습 표본이 입력될 때마다 반복 수행되면서 강화 학습되어 상기 패리티 비트에 대한 예측 정확도를 개선하게 된다.
따라서, 본 발명에서는 강화 학습(reinforcmenet learning)을 이용하여 양자 학습 방법에서의 성능을 향상할 수 있게 되며, 이러한 접근은 양자 변분 알고리듬(quantum variational algorithm)의 한 형태로 이해될 수도 있다.
이에 따라, 본 발명은 양자 상태에 대한 측정 결과를 이용한 강화 학습, 특히 탐욕 알고리듬(greedy algorithm)을 적용하여 양자 알고리즘 또는 양자 회로(quantum circuit)의 성능을 향상시킬 수 있는 총체적 시스템을 제공할 수 있게 된다.
또한, 도 5에서는 본 발명의 일 실시예에 따른 양자 학습 시스템(100)의 구성도를 예시하고 있다.
아래에서는, 도 5를 참조하여, 본 발명의 일 실시예에 따른 양자 학습 시스템(100)을 검토한다. 다만, 본 발명에 대해서는 앞서 본 발명의 일 실시예에 따른 양자 학습 방법에서 보다 자세하게 설명한 바, 아래에서는 반복적인 설명은 생략하고, 본 발명의 요지를 중심으로 기술한다.
먼저, 도 5에서 볼 수 있는 바와 같이, 본 발명의 일 실시예에 따른 고전압 직류 송전망용 이중화 제어 방법은, 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집부(110), 상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리부(120), 상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)(131)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정부(130) 및 상기 양자 상태의 측정 결과를 강화 학습의 상태(state) 정보로 활용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습부(140)를 포함한다.
이때, 상기 전처리부(110)에서, 상기 오류가 존재하는 고전적 학습 표본은 양자 RAM(quantum random access memory)(121)를 이용하여 양자 상태(quantum state)로 인코딩(encoding)될 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
또한, 상기 전처리부(110)에서, 상기 고전적 학습 표본에서 주어지지 않은 학습 표본에 대해서는 패리티 비트에 대한 예측 값을 사용하여 양자 상태를 생성할 수 있으며, 이때 상기 패리티 비트에 대한 예측 값은, 상기 양자 상태 측정 단계(S130)와 상기 강화 학습 단계(S140)를 반복하면서 학습되어 산출될 수 있다.
또한, 상기 양자 상태 측정부(130)에서는, 상기 하다마드 게이트(Hadamard gate)(131)를 적용한 후, 상기 각 큐비트를 z-기저(z-basis)에 대하여 측정할 수 있다.
또한, 상기 강화 학습부(140)는, 상기 수집된 고전적 학습 표본의 데이터 비트에 대한 패리티 비트를 산출하고, 상기 수집된 고전적 학습 표본의 패리티 비트와 비교하는 패리티 비트 비교부(142) 및 상기 비교 결과를 이용하여 상기 주어지지 않은 학습 표본에 대한 학습을 수행하는 학습 수행부(143)를 포함할 수 있으며, 나아가 안실라 비트(ancilla bit)가 1인 경우를 선별하는 안실라 비트 선별부(141);를 더 포함할 수도 있다.
이에 따라, 본 발명의 일 실시예에 따른 양자 학습 시스템(100)에서는, 고전적 학습 표본을 양자 데이터로 전환하고, 패리티 학습 과정에 강화 학습(reinforcement learning)을 적용하여, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대해서도 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있게 된다.
또한, 본 발명의 또 다른 측면에 따른 컴퓨터 프로그램은 앞서 살핀 양자 학습 방법의 각 단계를 컴퓨터에서 실행시키기 위하여 컴퓨터로 판독가능한 매체에 저장된 컴퓨터 프로그램인 것을 특징으로 한다. 상기 컴퓨터 프로그램은 컴파일러에 의해 만들어지는 기계어 코드를 포함하는 컴퓨터 프로그램뿐만 아니라, 인터프리터 등을 사용해서 컴퓨터에서 실행될 수 있는 고급 언어 코드를 포함하는 컴퓨터 프로그램일 수도 있다. 이때, 상기 컴퓨터로서는 퍼스널 컴퓨터(PC)나 노트북 컴퓨터 등에 한정되지 아니하며, 서버, 스마트폰, 태블릿 PC, PDA, 휴대전화 등 중앙처리장치(CPU)를 구비하여 컴퓨터 프로그램을 실행할 수 있는 일체의 정보처리 장치를 포함한다.
상기 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이에 따라, 본 발명의 일 실시예에 따른 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에서는, 양자 오라클(quantum oracle)이 존재하지 않는 경우에 대하여 일반적인 고전적 학습 표본을 사용하여 효과적으로 학습을 수행하고 문제를 해결할 수 있게 된다.
보다 구체적으로, 기존의 양자 패리티 학습(LPN) 알고리즘에서는 전체 학습 표본(complete data sample set)이 필요한데 반하여, 본 발명의 일 실시예에 따른 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에서는 희소 학습 표본(sparse data sample set)으로 효과 적인 학습 및 문제 해결이 가능하게 된다.
이에 따라, 본 발명의 일 실시예에 따른 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에서는, 고전적 데이터(Classical data)를 입력으로 받아서 양자 패리티 학습(LPN)이 성공적으로 가능하다는 점을 확인할 수 있었다.
보다 구체적으로, 종래의 최적화된 고전 알고리듬에 대비하는 경우, 입력되는 샘플 데이터(sample data)의 에러가 크고 블록 크기(block size) n이 클수록, 본 발명의 일 실시예에 따른 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에서는 더욱 우수한 성능을 보임을 확인하였다.
이에 따라, 본 발명의 일 실시예에 따른 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템(100)에서는 샘플 복잡 요구도(sample complexity requirement)와 수행 시간(runtime)이 종합적으로 개선됨을 확인할 수 있었다.
이와 같이, 본 발명에서는 암호학에서 가장 널리 알려진 문제 중 하나인 패리티 학습(LPN) 문제에 대한 고전-양자 계층적 알고리즘을 통하여, 고전적 학습 표본을 양자 데이터로 전환하고, 패리티 학습 과정에 강화 학습(reinforcement learning)을 적용하여 차별화된 방식으로 종래의 방식보다 보다 효율적인 시스템을 제공할 수 있게 된다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 양자 학습 시스템
110 : 학습 표본 수집부
120 : 전처리부
121 : 양자 RAM
130 : 양자 상태 측정부
131 : 하다마드 게이트
140 : 강화 학습부
141 : 안실라 비트 선별부
142 : 패리티 비트 비교
143 : 학습 수행부

Claims (8)

  1. 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집 단계;
    상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리 단계;
    상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정 단계; 및
    상기 양자 상태의 측정 결과를 이용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습 단계;
    를 포함하는 것을 특징으로 하는 양자 학습 방법.
  2. 제1항에 있어서,
    상기 전처리 단계에서,
    상기 오류가 존재하는 고전적 학습 표본을 양자 RAM(quantum random access memory)를 이용하여 양자 상태(quantum state)로 인코딩(encoding)되는 것을 특징으로 하는 양자 학습 방법.
  3. 제1항에 있어서,
    상기 전처리 단계에서,
    주어지지 않은 학습 표본에 대해서는 패리티 비트에 대한 예측 값을 사용하여 양자 상태를 생성하는 것을 특징으로 하는 양자 학습 방법.
  4. 제3항에 있어서,
    상기 패리티 비트에 대한 예측 값은,
    상기 양자 상태 측정 단계와 상기 강화 학습 단계를 반복하면서 학습되어 산출되는 것을 특징으로 하는 양자 학습 방법.
  5. 제1항에 있어서,
    상기 양자 상태 측정 단계에서는,
    상기 하다마드 게이트(Hadamard gate)를 적용한 후, 상기 각 큐비트를 z-기저(z-basis)에 대하여 측정하는 것을 특징으로 하는 양자 학습 방법.
  6. 제1항에 있어서,
    상기 강화 학습 단계는,
    상기 수집된 고전적 학습 표본의 데이터 비트에 대한 패리티 비트를 산출하고, 상기 수집된 고전적 학습 표본의 패리티 비트와 비교하는 단계; 및
    상기 비교 결과를 이용하여 상기 주어지지 않은 학습 표본에 대한 학습을 수행하는 단계;
    를 포함하는 양자 학습 방법.
  7. 제6항에 있어서,
    상기 강화 학습 단계는,
    안실라 비트(ancilla bit)가 1인 경우를 선별하는 단계;를 더 포함하는 것을 특징으로 하는 양자 학습 방법.
  8. 패리티 비트에 오류가 존재하는 고전적 학습 표본을 수집하는 학습 표본 수집부;
    상기 수집된 고전적 학습 표본에 대하여 양자 상태(quantum state)로 인코딩(encoding)하는 전처리부;
    상기 전처리된 양자 상태의 각 큐비트(qubit)에 대하여 하다마드 게이트(Hadamard gate)를 적용한 후 상기 각 큐비트를 측정하는 양자 상태 측정부; 및
    상기 양자 상태의 측정 결과를 강화 학습의 상태(state) 정보로 활용하여 상기 고전적 학습 표본에서 주어지지 않은 학습 표본의 패리티를 예측하기 위한 강화 학습(reinforcement learning)을 수행하는 강화 학습부;
    를 포함하는 것을 특징으로 하는 양자 학습 시스템.
KR1020190174220A 2019-12-24 2019-12-24 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템 KR102515090B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190174220A KR102515090B1 (ko) 2019-12-24 2019-12-24 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190174220A KR102515090B1 (ko) 2019-12-24 2019-12-24 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템

Publications (2)

Publication Number Publication Date
KR20210081859A true KR20210081859A (ko) 2021-07-02
KR102515090B1 KR102515090B1 (ko) 2023-03-29

Family

ID=76897177

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190174220A KR102515090B1 (ko) 2019-12-24 2019-12-24 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템

Country Status (1)

Country Link
KR (1) KR102515090B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240038399A (ko) 2022-09-16 2024-03-25 조금배 Hard SAT 생성 방법 및 SAT에 기반을 둔 양자 내성 암호 알고리즘 구현 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180082344A (ko) 2017-01-09 2018-07-18 삼성전자주식회사 가중치 비트 감축을 위한 반복적인 딥 러닝 양자화 알고리즘 및 방법
KR20190041887A (ko) * 2017-10-13 2019-04-23 한국과학기술원 양자 중첩을 활용한 양자 메모리와 양자 데이터베이스

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180082344A (ko) 2017-01-09 2018-07-18 삼성전자주식회사 가중치 비트 감축을 위한 반복적인 딥 러닝 양자화 알고리즘 및 방법
KR20190041887A (ko) * 2017-10-13 2019-04-23 한국과학기술원 양자 중첩을 활용한 양자 메모리와 양자 데이터베이스

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Alex B. Grilo et al "Learning-with-errors problem is easy with quantum samples." Physical Review A, Vol. 99(3), pp. 032314 (2019.09.) 1부.* *
Andrew W. Cross et al "Quantum learning robust against noise." Physical Review A, Vol. 92(1), pp. 012327(2015.) 1부.* *
Daniel K. Park et al "Quantum-classical reinforcement learning for decoding noisy classical parity information." arXiv preprint arXiv:1910.00781(2019.10.02) 1부.* *
Nam H. Nguyen et al "Quantum learning with noise and decoherence: A robust quantum neural network." arXiv preprint arXiv:1612.07593(2016.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240038399A (ko) 2022-09-16 2024-03-25 조금배 Hard SAT 생성 방법 및 SAT에 기반을 둔 양자 내성 암호 알고리즘 구현 방법
KR20240038561A (ko) 2022-09-16 2024-03-25 조금배 Sat에 기반을 둔 양자 내성 암호 알고리즘 구현 방법

Also Published As

Publication number Publication date
KR102515090B1 (ko) 2023-03-29

Similar Documents

Publication Publication Date Title
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
US11157384B2 (en) Methods, systems, articles of manufacture and apparatus for code review assistance for dynamically typed languages
US11374952B1 (en) Detecting anomalous events using autoencoders
Miao et al. SpecInfer: Accelerating Generative Large Language Model Serving with Tree-based Speculative Inference and Verification
CN110659744B (zh) 训练事件预测模型、评估操作事件的方法及装置
CN111340221B (zh) 神经网络结构的采样方法和装置
US11681914B2 (en) Determining multivariate time series data dependencies
KR102074909B1 (ko) 소프트웨어 취약점 분류 장치 및 방법
US20200311541A1 (en) Metric value calculation for continuous learning system
KR20220054410A (ko) 국부적으로 해석 가능한 모델에 기반한 강화 학습
US20200364609A1 (en) Predictive accuracy of classifiers using balanced training sets
Mishra et al. Test case generation and optimization for critical path testing using genetic algorithm
WO2019118639A1 (en) Residual binary neural network
Jabeen et al. An improved software reliability prediction model by using high precision error iterative analysis method
CN116166271A (zh) 代码生成方法、装置、存储介质及电子设备
CN116595066A (zh) 数据挖掘方法、装置、终端设备及介质
CN115099233A (zh) 一种语义解析模型的构建方法、装置、电子设备及存储介质
KR102515090B1 (ko) 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템
US20220051126A1 (en) Classification of erroneous cell data
Goto Step-by-step magic state encoding for efficient fault-tolerant quantum computation
WO2023222576A1 (en) Watermarking quantum models by leveraging metadata
JP7290183B2 (ja) データ処理の方法、ニューラルネットワークの学習方法及びデバイス
CN113076089B (zh) 一种基于对象类型的api补全方法
US11593254B1 (en) Software patch risk determination
JP7331938B2 (ja) 学習装置、推定装置、学習方法及び学習プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right