Fourier Analysis of Variational Quantum Circuits for Supervised Learning

기술 요약: 지도 학습을 위한 변분 양자 회로의 푸리에 분석

문제 정의
변분 양자 회로(Variational Quantum Circuits, VQCs)는 지도 학습을 위한 함수 근사기로 점점 더 많이 활용되고 있다. VQC의 출력이 입력 데이터의 절단된 푸리에 합(truncated Fourier sum)으로 표현될 수 있다는 점은 이미 확립되어 있으나, 가용 주파수 집합(스펙트럼)이 오직 인코딩 게이트에 의해서만 결정된다고 가정하는 경우가 많다. 저자들은 이러한 가정에 존재하는 결정적인 한계를 지적한다. 즉, 변분 부분(variational part)이 특정 푸리에 계수를 0으로 제한함으로써, 이론적으로 인코딩만으로는 가능했을 주파수들을 스펙트럼에서 효과적으로 제거할 수 있다는 것이다. 또한, 이 푸리에 계수들의 변분 파라미터에 대한 함수적 의존성은 그동안 거의 탐구되지 않았다. 이러한 정밀한 스펙트럼 특성화의 부재는 전체 훈련 과정을 거치지 않고도 특정 데이터셋에 가장 적합한 VQC 아키텍처를 예측하는 능력을 저해한다.

방법론
본 논문은 두 갈래의 방법론적 접근 방식을 제안한다.

1. 정확한 스펙트럼 및 계수 계산:
   Nemkov 등[18]의 알고리즘을 기반으로, 저자들은 주어진 VQC(특히 Clifford + Pauli 회로로 변환 가능한 경우)에 대해 정확한 푸리에 스펙트럼과 계수를 계산하는 절차를 개발하였다.

• 알고м: 이 방법은 노드가 정규 표준 형태(canonical normal form)의 회로를 나타내는 이진 트리 구성을 활용한다. 이 트리를 통해 경로를 탐색하고 Pauli 회전과 관련된 삼각 함수 인자들을 곱함으로써, 기대값을 삼각 다항식의 합으로 분해한다.
• 계수 분석: 저자들은 푸리에 계수가 변분 파라미터 $\theta$에 대한 삼각 다항식임을 도출한다. 또한, 계수의 조합적 부분이 0이 되기 위한 필요충분조건을 확립하여, 파라미터 값에 관계없이 엄격하게 0이 되는 주파수를 식별할 수 있게 한다.
• 데이터 분석: 데이터셋과 회로의 스펙트럼을 비교하기 위해, 저자들은 반복적인 수치적 역산(iterative numerical inversion)을 통한 비균등 고속 푸리에 변환(Non-uniform Fast Fourier Transform, NFFT)을 사용한다. 이를 통해 비균일하게 간격이 떨어진 실제 데이터로부터 주파수 표현을 추출할 수 있다.

2. 아키텍처 순위 지정 휴리스틱:
   저자들은 훈련 없이 VQC 아키텍처의 순위를 매기는 데이터셋 인식 방법을 제안한다. 핵심 가설은 최적의 아키텍처는 데이터셋의 주요 주파수를 포함하면서도, 학습 가능성을 보장할 만큼(표현력-학습 가능성 트레이드오프를 다룸) 스펙트럼 크기가 충분히 작아야 한다는 것이다.

• 스코어링 메트릭: 스코어는 다음 세 가지 구성 요소에 기반하여 계산된다:
  • $R_\Omega$: VQC의 가용 스펙트럼 외부에 존재하는 데이터셋의 푸리에 계수 에너지.
  • $R_{corr}$: VQC의 변분 파라미터가 데이터셋의 특정 상관관계와 크기를 재현할 가능성을 추정하는 마할라노비스 거리 휴리스틱.
  • $R_{punish}$: 스펙트럼 크기에 비례하는 패널티 항으로, 지나치게 표현력이 높지만 잠재적으로 학습이 불가능한 아키텍처를 억제한다.
• 데이터셋에 가장 잘 맞는 VQC 아키텍처는 가장 낮은 총 점수를 가진 것으로 예측된다.

주요 기여

• 정교한 스펙트럼 특성화: 본 논문은 VQC의 푸리에 스펙트럼이 인코딩 게이트에 의해서만 결정되는 것이 아니라, 변분 레이어에 의해 크게 제약받는다는 것을 입증한다. 이는 기존 문헌[16]에서 발견된 가용 주파수의 과대평가를 바로잡는다.
• 함수적 의존성: 저자들은 푸리에 계수를 변분 파라미터에 대한 명시적인 삼각 다항식으로 기술하는 최초의 설명을 제공하며, 주어진 회로에 대해 정확한 스펙트럼과 계수를 계산하는 알고리즘을 제시한다.
• 예측적 아키텍처 선택: 데이터의 푸리에 변환을 후보 회로의 분석된 스펙트럼과 비교함으로써, 주어진 데이터셋에 가장 적합한 VQC 아키텍처를 예측하는 새로운 알고리즘을 도입한다.

결과
저자들은 두 가지 데이터셋(합성 Friedman 회귀 함수와 t-SNE를 통해 2D로 축소된 MNIST 필기체 숫자 데이터셋)을 사용하여 11개의 서로 다른 VQC 아키텍처에 대해 실험을 진행했다.

• 스펙트럼 가변성: 모든 아키텍처에서 동일한 인코딩 게이트를 사용했음에도 불구하고, 결과적인 푸리에 스펙트럼은 7개에서 6,000개 이상의 주파수까지 크게 다양하게 나타났다. 이는 변분 레이어가 스펙트럼을 능동적으로 가지치기(pruning)함을 확인시켜 준다.
• 순위 지정 성능: 제안된 스코어링 방법은 Friedman 데이터셋에서 가장 낮은 테스트 손실을 달고 경쟁력 있는 성능을 보인 아키텍처(특히 회로 2, 7, 9번)를 성공적으로 식별하였다.
• 한계점: 연구에서는 휴리스틱이 일반적으로 성능과 상관관계를 보였으나, $R_{corr}$ 항(계수의 일부에 기반함)이 유사한 스펙트럼 특성을 가지면서도 내부 계수 상관관계가 다른 아키텍처들을 완벽하게 구별하는 데 때때로 실패했음을 언급했다. 또한, 전체 스펙트럼을 계산하는 계산 비용은 회로 깊이에 따라 지수적으로 증가하므로, 현재의 개념 증명은 작은 회로(4 큐비트, 3 레이어)로 제한된다.

의의 및 주장
본 논문은 변분 파라미터와 푸리에 계수 사이의 정확한 함수적 관계를 결정할 수 있는 최초의 알고리즘을 제공한다고 주장한다. 회로의 변분 부분이 스펙트럼을 제약한다는 점을 밝힘으로써, 저자들은 VQC를 단순히 표현력을 극대화하는 방식이 아니라 특정 작업에 맞춰 설계해야 한다고 주장한다. 제안된 방법은 클래식 시뮬레이션 도구를 제공하여 모델 성능을 예측하고 아키텍처를 선택할 수 있게 하며, 이는 부적절한 모델을 훈련하는 데 소요되는 계산 자원을 절약할 수 있다. 다만, 저자들은 자신들의 방법이 클래식 시뮬레이션의 지수적 스케일링 문제로 인해 현재 작은 회로로 제한되어 있으며, 순위 지정 휴리스틱이 구성 요소 간의 가중치 설정 측면에서 추가적인 개선이 필요하다는 점을 겸허히 명시하고 있다.