Measurement-based quantum machine learning

본 논문은 MBQC 패러다임의 장점을 활용하여 확장 가능한 학습, 잡음 내성, 양자 상태 분류부터 하드웨어 제약이 있는 광학 구현에 이르기까지 다양한 응용을 가능하게 하는 범용 측정 기반 양자 신경망 프레임워크인 멀티플-트라이앵글 안사츠 (MuTA) 를 제안합니다.

핵심

"측정 기반 양자 머신러닝"이라는 논문에 대한 설명을 쉬운 언어와 창의적인 비유로 정리합니다.

큰 그림: 양자 두뇌를 구축하는 새로운 방법

어려운 문제를 해결하기 위해 초지능 컴퓨터 두뇌 (양자 신경망) 를 만들고 싶다고 상상해 보세요. 일반적으로 과학자들은 이 두뇌를 영화 필름처럼 구축합니다. 빈 화면에서 시작해 장면 (게이트) 들을 순서대로 실행한 뒤, 마지막에 결과를 얻는 방식입니다. 이것이 표준적인 '회로 모델'입니다.

하지만 이 논문의 저자들은 이러한 두뇌를 구축하는 다른 방법을 제안합니다. 이를 **측정 기반 양자 컴퓨팅 (MBQC)**이라고 부릅니다.

비유: '사전 얽힌' 거미줄
장면 하나하나를 실행하는 대신, 양자 실로 만든 거대한 사전 짜인 거미줄 (이를 자원 상태라고 합니다) 이 있다고 상상해 보세요. 이 거미줄은 이미 '얽혀' 있어서, 모든 실이 기이하고 즉각적인 방식으로 서로 연결되어 있습니다.

작업을 수행하려면 영화를 실행하는 것이 아니라, 특정 순서대로 실들을 잘라내는 (측정하는) 것입니다.

• 실 하나를 자르면 거미줄 전체에 파문이 퍼집니다.
• 거미줄이 반응하는 방식은 이전에 실을 어떻게 잘랐는지에 따라 달라집니다.
• 올바른 실들을 잘라내면, 남은 거미줄 부분이 원하는 답으로 변형됩니다.

이 논문은 이러한 '잘라내기' 방식이 머신러닝에 더 적합하다고 주장합니다. 왜냐하면 이 방식은 잡음을 더 잘 처리하고, 광자 기반 (광학) 컴퓨터와 잘 호환되며, 독특한 학습 스타일을 가능하게 하기 때문입니다.

---

주인공: MuTA (다중 삼각형 Ansatz)

저자들은 이 양자 거미줄을 위한 구체적인 디자인을 개발했는데, 이를 MuTA(Multiple-Triangle Ansatz)라고 부릅니다.

비유: 삼각형으로 연결된 기차
기차 칸들이 단순히 일렬로 연결된 것이 아니라, 칸 사이에 삼각형 다리가 연결된 기차를 상상해 보세요.

• 레일: 거미줄의 '와이어'나 선들입니다.
• 삼각형: 와이어 사이의 특별한 연결부입니다.

왜 삼각형일까요? 이 양자 세계에서는 삼각형이 스위치 역할을 합니다.

• 삼각형의 특정 부분을 한 방식으로 측정하면 와이어는 분리된 채로 유지됩니다 (연결 없음).
• 다른 방식으로 측정하면 와이어들이 '얽히게' 됩니다 (서로 대화하기 시작함).

이 디자인은 양자 두뇌에 세 가지 초능력을 부여합니다:

1. 보편성: 고전 컴퓨터가 어떤 소프트웨어든 실행할 수 있듯이, 어떤 계산이든 학습할 수 있습니다.
2. 조정 가능성: 와이어 간의 연결 '볼륨'을 높이거나 낮출 수 있습니다.
3. 확장성: 두뇌를 더 크게 만들 수 있습니다 (삼각형 층을 더 추가). 두뇌가 깨지지 않고 예측 가능한 방식으로 더 똑똑해집니다.

실제로 무엇을 했을까요? (실험)

저자들은 그림만 그린 것이 아니라, MuTA 가 실제로 작동하는지 확인하기 위해 컴퓨터에서 시뮬레이션했습니다. 그들이 MuTA 에게 학습시킨 네 가지 작업은 다음과 같습니다:

1. 알파벳 학습 (보편적 게이트)
그들은 MuTA 에게 기본적인 양자 '문자' (게이트) 수행을 가르쳤습니다.

• 결과: MuTA 는 임의의 단일 큐비트 연산과 특정 두 큐비트 연결 (IsingXX) 을 매우 빠르게 학습했습니다. 수렴 속도가 빨라, 올바른 '잘라내기 패턴'을 효율적으로 찾았습니다.

2. 비 속에서 학습 (잡음 내성)
실제 양자 컴퓨터는 소란스럽습니다 (폭풍 속에서 속삭임을 듣는 것과 같습니다).

• 결과: 그들은 '잡음이 있는 데이터' (무작위 오류) 와 '잡음이 있는 하드웨어' (거미줄 자체가 약간 손상된 상태) 로 MuTA 를 테스트했습니다. MuTA 는 놀라울 정도로 견고했습니다. 잡음이 완전히 혼란스러운 상태가 아니라면, 높은 잡음 수준에서도 올바른 패턴을 학습할 수 있었습니다.

3. 양자 돌 분류 (양자 상태 분류)
그들은 두뇌가 양자 상태를 보고 "이것이 고정밀 측정에 적합한 '좋은' 상태인가, 아니면 '나쁜' 상태인가?"를 결정하게 하고 싶었습니다.

• 결과: 그들은 MuTA 에게 이 상태들을 96% 이상의 정확도로 분류하도록 훈련시켰습니다. MuTA 는 수학적 배경을 명시적으로 알려주지 않아도, 센싱에 유용한 상태와 그렇지 않은 상태의 차이를 파악하는 법을 학습했습니다.

4. 텔레포테이션 트릭 (양자 계측기)
그들은 MuTA 에게 '양자 계측기'를 학습하도록 요청했습니다. 이는 상태를 받아 측정하고, 그 결과에 따라 남은 상태를 변경하는 과정 (정보를 텔레포트하는 것과 유사) 입니다.

• 결과: 이 모델은 양자 상태를 거미줄의 한 부분에서 다른 부분으로 완벽하게 정확히 텔레포트하는 법을 성공적으로 학습했습니다. 이는 다음 단계가 이전 측정에 의존하는 복잡한 단계별 논리를 처리할 수 있음을 증명합니다.

5. 고전 데이터 분류 (커널 트릭)
마지막으로, 그들은 MuTA 를 사용하여 일반적이고 비양자적인 데이터 (그래프 위의 점들 등) 를 분류했습니다.

• 결과: 그들은 MuTA 를 분류를 위한 수학적 도구인 '커널'로 변환했습니다. MuTA 는 다른 양자 방법들과 마찬가지로 간단한 모양 (원형과 덩어리) 을 성공적으로 분류했지만, 더 복잡하고 꼬인 모양 (달 모양) 에서는 어려움을 겪었습니다.

현실 세계의 제약: '픽셀화'된 세계

이 논문은 마지막에 실용적인 문제를 다룹니다. 일부 양자 컴퓨터 (특히 빛을 사용하고 GKP 라는 특수 인코딩을 사용하는 컴퓨터) 는 임의의 각도에서 측정할 수 없습니다. 오직 특정 고정 각도 (0, 45, 90 도 등) 에서만 측정할 수 있습니다. 이는 masterpieces 를 그리는 시도이지만, 오직 세 가지 특정 색상만 사용할 수 있는 것과 같습니다.

이를 해결하기 위해 저자들은 두 가지 '휴리스틱' (스마트한 추측) 알고리즘을 테스트했습니다:

1. 그리디 서치 (Greedy Search): 거미줄의 한 조각씩을 최적화하면서 허용된 목록에서 가장 좋은 각도를 선택하는 방법입니다.
2. 딥 Q-러닝 (Deep Q-Learning): 비디오 게임 캐릭터가 미로를 탐색하는 법을 배우듯 시행착오를 통해 학습하는 AI 유형입니다.

결과: 두 방법 모두 무작위 추측보다 더 잘 작동했습니다. '그리디' 방법은 작은 작업에서 더 빨랐고, 'AI' 방법은 더 크고 복잡한 거미줄에 대해 가능성을 보여주었습니다.

요약

이 논문은 사전 연결된 양자 실의 거미줄을 '잘라내며' 작동하는 양자 신경망을 위한 새로운 청사진인 MuTA를 소개합니다.

• 이는 보편적입니다 (무엇이든 할 수 있음).
• 이는 견고합니다 (잡음을 잘 처리함).
• 이는 유연합니다 (다양한 작업에 맞게 조정 가능).
• 하드웨어가 특정 측정 각도로만 제한될 때도 작동합니다.

저자들은 이 '잘라내기' 방식이 게이트 수행, 양자 상태 분류, 정보 텔레포트, 데이터 분류를 학습할 수 있음을 성공적으로 입증함으로써, 측정 기반 컴퓨터에 고유한 차세대 양자 머신러닝 도구의 기초를 마련했습니다.

기술 요약

기술 요약: 측정 기반 양자 머신 러닝

문제 제기
양자 머신 러닝 (QML) 은 추론, 양자 데이터 처리, 그리고 잡음에 강건한 알고리즘을 위해 양자 하드웨어를 활용하는 것을 목표로 합니다. 현재 대부분의 QML 제안은 표준 유니터리 회로 모델 내에서 이루어집니다. 그러나 측정 기반 양자 컴퓨팅 (MBQC) 패러다임은 낮은 회로 깊이, 중간 회로 측정 및 고전적 피드백과의 자연스러운 호환성, 그리고 내재적인 위상 오류 수정 지원 등을 포함한 뚜렷한 장점을 제공합니다. 이러한 이점들과 MBQC 하드웨어 (특히 광학 구현) 의 발전에도 불구하고, MBQC 프레임워크 내의 QML 은 largely 미개척 상태로 남아 있습니다. 기존 MBQC 접근법 중 변분 알고리즘을 위한 방법들은 종종 결정론적이지 않거나, 비단조적인 표현력을 보이거나, 고전적 신경망과 비교 가능한 확장 가능한 학습 아키텍처를 제공하지 못합니다.

방법론
저자들은 **다중 삼각형 Ansatz(MuTA)**라고 불리는 새로운 양자 신경망 (QNN) 아키텍처를 중심으로 한 MB-QML 프레임워크를 제안합니다.

• 아키텍처: MuTA 는 "삼각형"(특정 그래프 상태 구조) 으로 연결된 1 차원 클러스터 상태로 구성됩니다. 이 아키텍처는 큐비트 층으로 정의되며, 층 내 연결성은 서로 다른 와이어를 연결하는 삼각형에 의해 결정되고, 층 간 연결성은 한 층의 출력 큐비트를 다음 층의 입력 큐비트로 매핑함으로써 확립됩니다.

• 결정론과 흐름 (Flow): 저자들은 MuTA 가 "흐름"(MBQC 에서 결정론적 계산을 보장하는 특정 그래프 속성) 을 갖는다는 것을 증명합니다. 이는 양자 측정의 내재적 무작위성에도 불구하고 결정론적 출력을 보장하기 위해 이전 결과에 기반하여 측정 각도를 조정할 수 있게 합니다.

• 이론적 속성: 이 논문은 MuTA 의 일곱 가지 핵심 속성을 확립합니다:

  1. 결정론: 흐름 기반 각도 조정을 통해 임의의 측정 패턴을 결정론적으로 만들 수 있습니다.
  2. 보편성: MuTA 는 충분한 깊이가 주어지면 임의의 $n$-큐비트 유니터리 연산자를 구현할 수 있습니다.
  3. 조정 가능한 얽힘: 와이어 간의 얽힘은 삼각형 내 특정 "중심" 큐비트의 측정 각도에 의해 제어될 수 있습니다.
  4. 편향 설계 (Bias Engineering): 기하학적 구조 (깊이, 너비, 연결성) 와 매개변수 제약은 유연한 편향 설계를 가능하게 합니다.
  5. 확장성: 변분 매개변수의 수는 큐비트 수에 비례하여 선형적으로 증가합니다 (깊이 $d$와 너비 $n$에 대해 $\le 4dn$).
  6. 표현력의 단조성: 네트워크를 확장 (층, 와이어, 또는 삼각형 추가) 하면 구현 가능한 게이트의 집합이 단조적으로 증가하며, 이는 표준 변분 회로에서 종종 결여된 특징입니다.
  7. 2-색칠 가능성: 기본 그래프는 이분 그래프이므로 확장 가능한 정제 프로토콜을 용이하게 합니다.

• 학습 및 하드웨어 제약: 저자들은 하드웨어 제한, 특히 측정 기저가 이산 집합 ($\{0, \pi/4, \pi/2\}$) 으로 제한된 광학 Gottesman-Kitaev-Preskill (GKP) 큐비트의 경우를 다룹니다. 이를 처리하기 위해 $\epsilon$-탐욕적 슬라이스별 검색과 이산 최적화를 위한 심층 Q-학습 (DQN) 접근법을 포함한 휴리스틱 학습 알고리즘을 제안합니다.

주요 결과
저자들은 여러 작업에 걸쳐 MuTA 의 능력을 수치적으로 시연합니다:

1. 보편적 게이트 학습: MuTA 는 Haar-무작위 단일 큐비트 유니터리 연산자와 얽힘 IsingXX 게이트를 포함한 보편적 게이트 집합을 성공적으로 학습하며, 빠른 수렴을 보입니다.
2. 잡음 강건성: 이 모델은 잡음에 대한 강건성을 보여줍니다. 브라운 회로나 비트 플립 잡음으로 시뮬레이션된 잡음 데이터로 학습되었을 때, 그리고 기본 리소스 상태가 소멸 채널에 노출되었을 때 높은 충실도를 유지합니다.
3. 양자 상태 분류: MuTA 를 사용하는 하이브리드 양자 - 고전 모델이 양자 피셔 정보 (QFI) 를 기반으로 두 큐비트 상태를 분류하도록 학습되었으며, 표준 양자 한계 이하와 이상의 상태를 약 97% 의 높은 정확도로 구분했습니다.
4. 양자 계측 학습: 이 프레임워크는 측정 결과가 후속 연산을 조건 짓는 양자 계측으로 간주하여 텔레포테이션 프로토콜을 성공적으로 학습했으며, 고전적 보조 처리의 통합을 입증했습니다.
5. 고전 데이터 분류: MuTA 기반 특징 맵을 사용하여 커널 서포트 벡터 머신 (SVM) 을 구축했습니다. 이는 합성 2D 데이터셋 (원, 덩어리) 에서 높은 정확도를 달성했으나, 테스트된 구성에서 더 복잡한 비선형 구조 (달) 에 대해서는 어려움을 겪었습니다.

의의 및 주장
이 논문은 MBQC 패러다임에 고유한 다목적 QNN 의 기초를 마련했다고 주장합니다. MuTA 의 중요성은 보편성, 조정 가능한 얽힘, 단조적 표현력, 그리고 확장 가능한 학습과 같은 다른 QNN 제안들에서 종종 결여된 속성들을 동시에 충족시킬 수 있다는 점에 있습니다.

저자들은 MuTA 가 시간 복잡도 감소와 고전적 측부 처리와의 호환성과 같은 특정 MBQC 장점을 활용하기 때문에 근미래 MBQC 장치에 유망한 후보라고 주장합니다. 이 프레임워크는 MBQC 고유의 알고리즘적 이점을 탐구하고 측정 기반 영역에서의 QML 이론적 분석을 용이하게 한다고 봅니다. 이 연구는 고전적 순방향 네트워크 기하학을 MuTA 에 매핑함으로써, 결과적인 양자 모델이 고전적 대응물보다 표현력 이점을 제공하는지 탐구할 수 있으며, 광학 GKP 큐비트와 같은 하드웨어 제약 장치를 위한 실용적인 학습 경로를 제공한다고 시사합니다.