⚛️ quantum physics

Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

본 논문은 기존 방식에 비해 양자 자원 요구량을 줄이면서도 성능과 적응성을 향상시키기 위해 메모이제이션을 활용한 유연한 데이터 양자화와 새로운 통합 인코딩 전략을 사용하는 향상된 콴볼루셔널 신경망(Quanvolutional Neural Network) 프레임워크를 제안한다.

원저자: Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

게시일 2026-08-21

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

컴퓨팅의 급격히 진화하는 세계에서, 양자 역학의 법칙과 기계에게 보는 법을 가르치는 예술이 만나는 새로운 개척지가 등장하고 있습니다. 수십 년 동안 인공지능은 의료 스캔부터 먼 은하의 사진에 이르기까지 모든 것에서 패턴을 인식하기 위해 고전 컴퓨터에 의존해 왔습니다. 신경망으로 알려진 이러한 시스템은 강력하지만, 복잡성의 벽에 부딪히기 시작했습니다. 여기에 양자 머신러닝이 등장합니다. 이는 오늘날의 슈퍼컴퓨터로는 너무 어려운 문제를 해결하기 위해 양자 물리학의 기이하고 직관에 어긋나는 특성을 활용하고자 하는 분야입니다. 이 영역에서 가장 유망한 응용 분야는 양자 회로를 사용하여 이미지를 처리하는 능력인데, 이는 고전적인 방법으로는 놓칠 수 있는 데이터의 숨겨진 특징을 추출할 잠재력을 가지고 있습니다. 그러나 중대한 장애물이 남아 있습니다. 현재의 양자 컴퓨터는 취약하고 노이즈가 많으며, 큐비트라고 불리는 구성 요소가 매우 적습니다. 이 기기들은 정보 손실이나 간섭으로 인한 충돌 없이 고품질 이미지를 처리하는 데 필요한 방대한 계산을 아직 처리할 수 없습니다. 이는 이러한 섬세한 기계에 데이터를 주입하는 더 스마트한 방법, 즉 가용 가능한 제한된 자원을 최대한 효율적으로 사용할 수 있도록 보장하는 방법에 대한 절박한 필요성을 창출합니다.

우디네 대학교와 나폴리 페데리코 2세 대학교의 연구진은 양자 컴퓨터를 위한 이미지 데이터를 준비하고 처리하는 새로운 방법을 개발함으로써 이 과제에 맞섰습니다. 그들의 연구는 '콴볼루셔널 신경망(quanvolutional neural network)'으로 알려진 이미지 인식을 위해 설계된 특정 유형의 양자 신경망에 초점을 맞추고 있습니다. 자체적인 내부 설정을 학습하고 조정하려고 시도하는 전통적인 양자 모델과 달리, 이 접근 방식은 정교한 필터 역할을 하는 고정된 비학습형 회로를 사용합니다. 연구팀은 표준 과정에서 두 가지 주요 병목 현상을 확인했습니다. 바로 이미지가 양자 컴퓨터에 들어가기 전 단순화되는 방식과 데이터를 양자 상태로 변환하는 경직된 방식입니다. 그들은 이 단계들을 하나의 유연한 연산으로 결합하는 새로운 파이프라인을 제안했으며, 이를 통해 시스템이 현재 하드웨어의 엄격한 제한 사항에 적응하면서도 원래 이미지의 세부 정보를 더 많이 유지할 수 있도록 했습니다.

첫 번째 혁신은 데이터 단순화 문제를 다룹니다. 양자 컴퓨터에서 실행되려면 이미지는 연속적인 색상과 명암의 범위를 기계가 이해할 수 있는 형식으로 변환되어야 합니다. 표준적인 방법은 이미지를 검은색과 흰색이라는 단 두 가지 색상으로 줄이는 것인데, 이를 이진 양자화라고 합니다. 이 과정은 컴퓨 계산 능력을 아껴주지만, 마치 몇 가지 기본 색상만을 사용하여 그림을 설명하려는 것처럼 방대한 양의 세부 정보를 버리게 됩니다. 연구진은 원본 이미지의 미묘한 뉘앙스를 보존하면서 훨씬 더 많은 단계의 회색조를 허용하는 유연한 접근 방식을 도입했습니다. 이를 실용적으로 만들기 위해 그들은 '메모이제이션(memoization)'이라 불리는 기술을 사용했는데, 이는 스마트한 메모리 뱅크처럼 작동합니다. 시스템이 이미지를 처리하는 동안 마주치는 모든 고유한 패턴에 대한 결과를 기록합니다. 만약 동일한 패턴이 다시 나타나면, 시스템은 재계산하는 대신 단순히 답을 불러옵나다. 이 전략을 통해 그들은 훨씬 더 높은 수준의 회색조를 사용하여 이미지를 풍부하게 유지하는 동시에, 특정 데이터셋에 대해 양자 컴퓨터가 계산을 수행해야 하는 횟수를 95% 이상 줄일 수 있었습니다.

두 번째이자 아마도 더 중요한 돌파구는 데이터가 실제로 양자 회로에 어떻게 주입되는지와 관련이 있습니다. 이전 방식에서는 분석되는 이미지 패치의 크기가 필요한 양자 구성 요소의 수를 결정했습니다. 만약 연구자가 더 큰 이미지 패치를 분석하고 싶다면 그에 비례하여 더 많은 큐비트가 필요했는데, 이는 가용 장비의 용량을 빠르게 초과했습니다. 새로운 방법은 이 경직된 연결 고리를 끊어냅니다. 데이터 변환과 처리 단계를 단일 회로로 통합함으로써, 연구진은 이미지 패치 크기와 독립적으로 큐비트 수를 선택할 수 있게 되었습니다. 이는 더 작은 규모의 큐비트로 훨씬 더 큰 이미지 패치를 처리하거나, 더 나은 하드웨어가 가용해짐에 따라 규모를 확장할 수 있음을 의미합니다. 이 시스템은 픽셀의 밝기를 직접 사용하여 양자 게이트의 회전을 제어함으로써, 고전적 이미지와 양자 프로세서 사이에 직접적이고 효율적인 가교를 형성합니다.

이 아이디어를 테스트하기 위해 연구팀은 두 가지 매우 다른 실제 문제에 이 새로운 모델을 적용했습니다. 첫 번째는 은하 이미지를 분류하여 두 가지 특정 우주 구조를 구별하는 것이었습니다. 두 번째 작업은 검출기에서의 에너지 신호를 기반으로 다양한 유형의 아원자 입자를 식별하는 것이었습니다. 그들은 새로운 통합 모델을 표준 클래식 컴퓨터 프로그램 및 회전 인코딩을 사용하는 전통적인 양자 방식과 비교했습니다. 결과는 명확했습니다. 새로운 통합 모델은 테스트된 모든 이미지 패치 크기에 걸쳐 전통적인 양자 방식보다 일관되게 우수한 성능을 보였습니다. 은하 분류 작업에서 이 모델은 80% 이상의 정확도를 달 기록하며 표준 양자 모델과 클래식 컴퓨터를 모두 능가했습니다. 입자 탐지 작업에서도 클래식 컴퓨터를 이겼으며, 반면 전통적인 양자 모델은 미치지 못했습니다.

또한 이 연구는 픽셀 밝기를 양자 설정으로 변환하는 데 사용되는 특정 수학적 함수가 매우 중요하다는 것을 밝혀냈습니다. 어떤 함수는 안정적이고 높은 성능의 결과를 냈지만, 어떤 함수는 시스템을 불안정하고 신뢰할 수 없게 만들었습니다. 이는 양자 회로의 '성격'이 그 구조만큼이나 중요하다는 것을 시사합니다. 나아가 연구진은 계산 단계에 더 많은 단계를 추가함으로써 단순히 조절할 수 있는, '표현력(expressibility)'이라고 알려진 새로운 회로의 다양한 가능성을 탐색하는 능력을 발견했습니다. 이러한 유연성은 과학자들이 현재의 노이즈가 있는 중간 규모 양자 장치(NISQ) 시대의 특정 하드웨어 제약에 완벽하게 맞춤화된 회로를 설계할 수 있게 해줍니다.

궁극적으로, 이 작업은 우리가 완벽하고 오류가 없는 양자 컴퓨터를 기다릴 필요 없이 이미지 처리에서 이점을 얻을 수 있다는 것을 보여줍니다. 데이터가 준비되는 방식과 데이터가 양자 회로와 상호 작용하는 방식을 재고함으로써, 더 정확하고 자원 효율적인 모델을 구축하는 것이 가능합니다. 연구진은 자신들의 코드와 방법을 공개하여 다른 이들이 이 토대 위에 구축할 수 있도록 초대했습니다. 그들의 연구 결과는 적절한 엔지니어링이 뒷받씨된다면, 양자 머신러닝이 이론적인 실험을 넘어 오늘날의 불완전한 기계로도 천문학, 물리학 및 그 너머의 실제적인 문제들을 해결하기 시작할 수 있음을 시사합니다.

기술 요약: Quanvolutional Neural Networks 강화를 위한 통합 인코딩 및 양자화

문제 정의
컴퓨터 비전에 적용된 양자 기계 학습(QML)은 현재의 노이즈가 있는 중간 규모 양자(NISQ) 장치에서 상당한 난관에 봉착해 있다. 특히, 파라미터 시프트 규칙(parameter-shift rules)에 필요한 자원 집약적인 최적화를 피하기 위해 비학습 파라미터를 가진 Quanvolutional Neural Networks(QuanvNNs)가 선호된다. 그러나 기존의 QuanvNN 전처리 파이프라인은 다음과 같은 두 가지 주요 비효율성을 겪고 있다:

정보 손실 vs 효율성: 표준 이진 양자화는 입력 패치의 고유 개수를 줄여 요구되는 양자 회로 실행 횟수를 낮춘다. 그러나 이러한 공격적인 이진화는 종종 심각한 정보 손실을 초래하여, 미세한 데이터를 필요로 하는 작업에서 모델 성능을 저하시킨다.
인코딩에서의 하드웨어 제약: 회전 인코딩(rotational encoding)과 같은 전통적인 인코딩 방식은 입력 패치 크기에 제곱 비례하는 수의 큐비트( $k \times k$ 커널의 경우 $k^2$ 큐비트)를 요구한다. 이러한 경직된 의존성은 제한된 큐비트 수와 짧은 결맞음 시간(coherence times)을 가진 장치에서 모델의 스케일링을 제한한다.

방법론
저자들은 이러한 한계를 해결하기 위해 새로운 전처리 파이프라인과 새로운 인코딩 전략을 제안한다.

메모이제이션을 활용한 유연한 데이터 양자화:
이진 양자화( $N=2$ ) 대신, 저자들은 레벨 수 $N$ 을 조절 가능한 파라미터로 도입하는 유연한 양자화 방식을 제안한다. 픽셀 강도 $x \in [0, 1]$ 는 다음 공식을 사용하여 $N$ 개의 이산 레벨로 매핑된다: $q(x) = \lfloor x \cdot N \rfloor / (N-1)$ .

메모이제이션: 모든 고유한 양자화 패치에 대해 양자 회로의 출력을 저장하는 룩업 테이블(look-up table)을 구축한다. 이는 동일한 패치가 중복 처리되지 않도록 보장한다.
트레이드오프: 이 접근 방식은 사용자가 정보 보존(높은 $N$ )과 계산 부하(낮은 $N$ 은 고유 패치 및 회로 실행 횟수 감소) 사이에서 균형을 맞출 수 있게 한다.

통합 인코딩 전략:
본 논문은 전통적인 "인코딩" 단계와 "처리" 단계를 하나의 양자 회로로 병합하는 새로운 인코딩 방법을 소개한다.

메커니즘: 입력 패치의 클래식 픽셀 데이터는 다중 큐비트 얽힘 게이트(entangling gates)의 회전 각도로 직접 사용된다. 구체적으로, 게이트는 $G(x_i) = \exp(-i\alpha(x_i) \cdot \sigma_1 \otimes \sigma_2)$ 와 같이 구성되며, 여기서 $x_i$ 는 픽셀 강도, $\sigma$ 는 파울리 게이트, $\alpha$ 는 매핑 함수이다.
유연성: $k \times k$ 커널을 위해 정확히 $k^2$ 개의 큐비트가 필요한 회전 인코딩과 달리, 통합 모델은 큐비트 수( $n$ )와 게이트 수( $L$ )를 독립적으로 선택할 수 있다. 유일한 제약 조건은 모든 입력 특징이 적어도 한 번은 인코딩되도록 하는 $L \ge k^2$ 이다.
매핑 함수: 저자들은 세 가지 매핑 함수 $\alpha(x)$ 를 테스트한다: Simple ( $x\pi$ ), Random Multiplication ( $2\beta x\pi$ ), 그리고 Random Linear ( $(\beta x + \sigma)\pi$ ).

주요 기여

자원 효율성: 메모이제이션을 동반한 제안된 양자화는 파괴적인 이진 양자화를 사용하지 않고도 훈련 및 추론에 필요한 양자 회로 실행 횟수를 크게 줄인다.
구조적 디커플링: 통합 인코딩 전략은 커널 크기와 큐비트 요구 사항을 분리하여, 제한된 큐비트를 가진 하드웨어에서도 더 큰 커널을 사용할 수 있게 한다.
표현력 제어: 제안된 방법은 게이트 수( $L$ )를 변화시킴으로써 회로의 표현력(expressibility)을 조절할 수 있는 능력을 제공하며, 이는 힐베르트 공간을 탐색하는 모델의 용량을 튜닝하는 메커니즘을 제공한다.

실험 결과
제안된 모델(QNN-Int)은 두 가지 데이터셋에 대해 표준 회전 인코딩 QuanvNN(QNN-Rot) 및 클래식 CNN과 비교하여 평가되었다:

MiraBest (이진 분류): QNN-Int 모델(특히 Simple 및 RndMul 매핑 함수)은 다양한 커널 크기( $k=2, 3, 4$ )에 걸쳐 클래식 CNN과 QNN-Rot 모두보다 일관되게 우수한 성능을 보였다. QNN-Rot 모델은 커널 크기가 증가함에 따라 성능 저하를 보였다.
LArTPC (다중 클래스 분류): QNN-Int 모델 역시 큰 커널 크기( $k=3, 4, 5$ )에서 클래식 CNN 및 QNN-Rot를 능가했다. 주목할 점은 QNN-Rot의 성능이 커널 크기에 따라 증가했음에도 불구하고 클래식 베이스라인보다는 낮았다는 것이다. QNN-Int-RndLin 매핑 함수는 성능이 저조했는데, 이는 통합 모델이 매핑 함수의 선택에 민감함을 보여준다.

양자화 영향:
양자화 레벨( $N$ )에 대한 실험 결과, $N=50$ 으로 설정했을 때 원본 이미지와 비교하여 무시할 만한 평균 제곱 오차(MSE)를 유지하면서도 MiraBest 및 LArTPC 데이터셋에 대한 회로 실행 횟수를 95% 이상 감소시켰다.

의의 및 주장
본 논문은 제안된 통합 인코딩 및 유연한 양자화 파이프라인이 QuanvNN을 NISQ 장치에 더 적합하게 만든다고 주장한다. 주요 의의는 더 적은 양자 자원(더 적은 큐비트 및 더 적은 회로 실행)을 사용하면서 클래식 CNN 및 전통적인 QuanvNN과 대등하거나 더 우수한 성능을 달ert하는 데 있다. 저자들은 통합 모델이 커널 크기와 큐비트 수를 하드웨어 제약에 따라 독립적으로 조정할 수 있는 더 큰 구조적 유연성을 제공한다는 점을 강조한다. 저자들은 매핑 함수의 선택이 표현력과 분류 정확도를 극대화하는 데 결정적이라고 결론지으며, 향후 연구에서 이러한 매핑 파라미터를 훈련 중에 최적화하는 방안을 탐구할 수 있음을 시사한다.

유사한 논문