Proposals for Quantum Machine Learning and Applications on security

Abstract

본 연구는 최근 주목받고 있는 두 영역, "양자 컴퓨팅" 과 "기계 학습" 을 융합한 분야인 양자 기계학습과 그것의 '보안' 이슈에서의 활용에 대해 다룬다. 최근 과학기술 분야를 넘어 산업 분야에서도 기계학습이 널리 활용됨에 따라 기계 학습의 외부 공격에 대한 취약성과 그것을 극복하는 방법에 대한 연구의 중요성이 대두되었다. 이는 특히 기계 학습이 자율 주행이나 질병 진단 등, 생명과 재산에 직결되는 분야에서 활용될 가능성이 열리며 시급하게 해결해야 하는 문제가 되었다. 이러한 이슈에 대한 연구는 ‘적대 기계학습 (adversarial machine learning) 이라 불리며 기계학습과 정보 보안이 융합된 연구 분야로 볼 수 있다. 우리는 양자 특성을 기계학습에 적용해 앞선 이슈를 해결하고자 한다. 특히나 통신 보안에의 활용 가능성이 검증된 양자 특성을 적대 기계학습에 적용하는 것은 유망한 연구가 될 것이다. 우선, 학습에 필요한 샘플을 출력해주는 오라클에 오류가 존재할 때, 양자 특성을 이용하면 고전 대응 계보다 오라클 내부의 오류에 덜 방해를 받으며 학습 샘플을 취할 수 있고 이러한 성질이 학습에 필요한 샘플 수를 낮출 수 있음을 보였다. 다음으로, 양자 기계학습에서 학습 샘플을 가로채거나 변조시키는 적대 학습자가 존재할 때, 오직 적법한 학습자만이 성공적으로 학습할 수 있는 ‘보안 학습 조건’을 제시했다. 마지막으로, 현대 암호체계에 기반이 되는 문제 중 하나인 Learning-with-Errors 문제를 위한 양자 알고리즘을 연구하고 기존에 연구된 고전 및 양자 알고리즘과 비교했다. 이러한 시도가 적대 기계학습 분야에의 양자 기술을 적용하는 연구를 활발히 만들고 양자 컴퓨팅을 활용한 속도 향상을 목적으로 한 연구가 가장 활발한 양자 기계학습 분야에 또 다른 방향을 제시할 수 있기를 기대한다.|This study pertains to quantum machine learning, a hybridization of two areas that have recently attracted attention, namely quantum computing and ma- chine learning, and its use in "security" issues. Recently, with the wide use of machine learning in industrial fields, beyond science and technology, research on the vulnerability of machine learning to external attacks and measures to overcome the vulnerability has become important. In particular, the vulnerability is of grave concern in machine learning applications such as self-driving cars and medical diagnosis, where there is a risk to life. Research on these aspects is called “adversarial machine learning,” and it can be viewed as a field of research that combines machine learning and information security. We try to solve the issue by applying quantum properties to machine learning. In particular, it is of interest to examine the use of quantum properties, which have been proven to be useful in telecommunication security, in the field of adversarial machine learning. First, when there are errors in an oracle that outputs learning samples, quantum properties make the oracle robust to errors, unlike its classical counterpart, and this property can reduce the number of samples required for learning. Next, a “security learning condition” is proposed. This condition ensures that when there are adversarial learners who intercept or modulate learning samples in quantum machine learning, only a legitimate learner can successfully learn. Finally, a quantum algorithm for the learning-with-errors problem, one of the problems that a base of the modern cryptosystem, was studied and compared with classical and quantum algorithms previously studied. It is hoped that this study will not only stimulate research on the use of quantum technology in adversarial machine learning areas but also provide another direction for research in the quantum machine learning field, in which research efforts have mostly been confined to achieving speedup through the use of quantum computing.