Quantum convolutional neural networks for jet images classification

기술 요약: 제트 이미지 분류를 위한 양자 합성곱 신경망 (Quantum Convolutional Neural Networks)

문제 정의
본 논문은 고에너지 물리학(HEP)의 제트 이미지, 특히 톱 쿼크(top-quark) 제트와 양-자도론(QCD) 배경 제트를 구별하는 과제를 다룹니다. 고전적인 합성곱 신경망(CNN)은 톱 태깅(top-tagging)에 효과적이었으나, 매우 에너지가 높은 "부스트된(boosted)" 톱 쿼크 제트 이미지를 처리할 때 정확도가 떨어지는 경우가 많습니다. 이러한 시나리오에서는 붕괴 생성물(subjets)이 서로 크게 겹쳐 이미지가 QCD 제트와 시각적으로 매우 유사해지며, 이로 인해 특징 추출의 복잡성이 증가합니다. ResNeXt와 같은 최첨단 고전 아키텍처는 높은 정확도(90~94%)를 달가히 달성할 수 있지만, 수백만 개의 학습 가능한 파라미터를 필요로 하여 계산 비용이 높고 과적합(overfitting)의 가능성이 있습니다. 저자들은 양자 기계 학습(QML), 특히 양자 합성곱 신경망(QCNN)이 높은 분류 정확도를 유지하거나 개선하면서도 더 적은 파라미터로 효율적인 대안을 제공할 수 있는지 조사하고자 합니다.

방법론
본 연구는 하드론 톱 제트와 QCD 제트를 포함하는 JetNet 라이브러리의 TopTagging 데이터셋을 활용합니다. 방법론은 다음 단계로 구성됩니다:

1. 데이터 전처리:

   • 이미지 형성: 제트 구성 성분들을 $\eta-\phi$ 평면상의 2D 이미지로 변变换합니다. 제트 구성 성분에 그람-슈미트 직교 정규화(Gram-Schmidt orthonormalization)를 적용하여 부스트 불변 좌표계를 생성함으로써, 이미지가 초기 톱 쿼크의 운동량에 독립적이도록 보장합니다.
   • 차원 축소: 주성분 분석(PCA)을 적용하여 이미지 해상도를 $28 \times 28$ 픽셀에서 $2 \times 2$ 픽셀(4개의 입력 특징)로 축소합니다. 이를 통해 각 큐비트가 픽셀 값을 나타내는 최소한의 양자 회로(4 큐비트)를 사용할 수 있습니다.
   • 데이터셋 분할: 데이터셋을 8로 80%는 훈련용, 20%는 테스트용으로 분할합니다.

2. 모델 아키텍처:

   • 고전적 베이스라인 (CNN): 하나의 Conv2d 레이어, 하나의 MaxPooling 레이어, 하나의 Flatten 레이어, 그리고 두 개의 Dense 레이어로 구성된 표준 CNN 아키텍처를 구축합니다. 파라미터 수는 양자 모델과 일치하도록 조정됩니다 (예: SO(4) 비교를 위해 33개 파라미터).
   • 양자 모델 (QCNN): QCNN은 인코딩(Encoding) $\to$ 합성곱(Convolution) $\to$ 풀링(Pooling) $\to$ 측정(Measurement) 구조를 따릅니다.
     • 인코딩: 네 가지 인코딩 방식이 테스트됩니다: 텐서 곱 임베딩(Tensor Product Embedding, TPE/Angle), 하드웨어 효율적 임베딩(Hardware Efficient Embedding, HEE, 1 및 2 레이어), 그리고 클래식하게 어려운 임베딩(Classically Hard Embedding, CHE).
     • 합성곱 회로: 두 가지 유니터리 2-큐비트 회로가 테스트됩니다: $SO(4)$ (실수 변환, 블록당 6개의 학습 가능한 파라미터) 및 $SU(4)$ (범용, 블록당 15개의 학습 가능한 파라미터).
     • 풀링: CNOT 및 단일 큐비트 게이트를 사용하여 시스템 차원을 절반으로 줄입니다.
     • 측정: 최종 출력은 남은 큐비트에 대한 파울리-Z 연산자의 기대값입니다.

3. 최적화 및 분석:

   • 손실 함수: 교차 엔트로피(Cross-entropy), 평균 제곱 오차(MSE), 힌지 손실(Hinge loss) 함수를 평가합니다.
   • 차원 표현력 분석 (Dimensional Expressivity Analysis, DEA): 회로를 최적화하기 위해 $SU(4)$ QCNN에 DEA를 적용합니다. 이 기술은 회로의 최대 표현력(관련 물리적 상태를 생성하는 능력)을 유지하면서 중복되는 학습 가능한 파라미터를 식별하고 제거합니다.
   • 시뮬레이션: 모든 양자 모델은 노이즈가 없는 고전 시뮬레이터(PennyLane)에서 시뮬레이션되며, 고전 모델은 TensorFlow를 사용합니다.

주요 기여 및 결과
본 논문은 동일한 조건(배치 크기, 손실 함수, 파라미터 수) 하에서 QCNN과 CNN 설정을 체계적으로 비교합니다:

• 저파라미터 영역에서의 성능 우위: 노이즈 없는 시뮬레이터를 사용했을 때, QCNN은 특히 합성곱 블록의 파라미터 수가 적을 때 고전적인 CNN 상대방보다 일반적으로 더 우수한 성능을 보였습니다. 예를 들어, 30개의 파라미터를 가진 $SO(4)$ QCNN은 HEE1 인코딩과 MSE 손실을 사용하여 최대 99.88%의 정확도를 달성한 반면, 이에 상응하는 CNN(33개 파라미터)은 약 96.26%를 달성했습니다.
• 인코딩 및 배치 크기 민감도:
  • 인코딩: HEE1(1-레이어 하드웨어 효율적 임베딩)과 TPE가 가장 좋은 결과를 냈습니다. 더 복잡한 인코딩(HEE2, CHE)은 배리언트 플래토(barren plateaus) 현상으로 인해 학습 능력 문제를 유발했습니다.
  • 배치 크기: 작은 배치 크기(16 및 32)는 큰 배치(64, 128)에 비해 높은 정확도와 빠른 수렴을 보였으며, 큰 배치에서는 정확도가 감소하는 경향이 있었습니다.
• DEA 최적화: $SU(4)$ QCNN에 DEA를 적용하여 중복 게이트를 제거함으로써 파라미터 수를 48개에서 31개로 줄였습니다. 최적화된 회로(31개 파라미터)는 높은 정확도(99.89%)를 유지하며, 33개의 파라미터를 가진 CNN을 능가하고 91개의 파라미터를 가진 CNN과 대등한 결과를 냈습니다.
• 복잡도 대비 정확도: MLP 레이어를 통해 고전 모델의 복잡성을 높이면 정확도가 향상되었으나, 31개의 파라미터만을 가진 DEA 최적화 QCNN이 여전히 73개의 파라미터를 가진 CNN을 능가했으며 91개의 파라미터를 가진 CNN과 대등한 수준에 도달했습니다.

의의 및 주장
저자들은 본 연구를 QCNN이 톱 태깅과 같은 HEP 분석 작업에 효과적으로 사용될 수 있음을 보여주는 "원리 증명(proof of principle)"으로 규정합니다.

• 파라미터 효율성: 주요 의의는 QCNN이 훨씬 적은 수의 학습 가능한 파라로미터를 사용하여 고전적인 CNN과 대등하거나 더 우수한 분류 정확도를 달성할 수 있음을 입증했다는 점에 있습니다. 이는 과적합에 덜 취약하고 계산 비용이 저렴한 더 효율적인 모델을 향한 잠재적인 경로를 제시합니다.
• DEA의 유용성: 본 연구는 DEA를 양자 회로를 최적화하여 표현력을 희생하지 않고 중복성을 제거하는 핵심 도구로서 검증하였으며, 이는 노이즈가 있는 중간 규모 양자(NISQ) 장치 구현에 필수적입니다.
• 양자 우위에 대한 완곡한 주장: 본 논문은 이러한 결과가 실질적인 양자 우위(quantum advantage)를 입증하는 것이 아니라고 명시적으로 밝힙니다. 시뮬레이션은 노이즈가 없었으며, 이 특정 데이터셋에 대한 QCNN은 고전적으로 시뮬레이션 가능합니다. 저자들은 이 결과가 이상적인 조건 하에서의 제안된 양자 모델 성능을 평가하는 것임을 강조합니다. 또한 실제 구현에는 하드웨어 노이즈, 유한한 샷 샘플링(finite-shot sampling), 회로 깊이 제한 등의 문제를 해결해야 함을 인정합니다.
• 향후 방향: 저자들은 더 큰 큐비트 수를 시뮬레이션할 수 있다면 (PCA를 피하고) 더 높은 차원의 이미지를 다루는 방식으로 접근을 확장할 수 있다고 제안하며, 등변 양자 신경망(Equivariant QNNs, EQNN) 기술이 제트 데이터의 대칭성을 더욱 잘 활용할 수 있다고 언급합니다. 또한 이러한 모델을 HEP의 본질적인 양자 데이터셋에 적용할 가능성도 언급했습니다.