⚛️ quantum physics

Regression and Classification with Single-Qubit Quantum Neural Networks

이 논문은 근미래 양자 장치에서 회귀 및 분류 작업 모두에 대해 빠르고 오류 없는 성능을 달성하기 위해, 새로운 데이터 업로딩 기술과 다항 회귀에서 영감을 얻은 훈련 방법을 활용하는 자원 효율적인 단일 큐비트 양자 신경망(SQQNN)을 소개한다.

원저자: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

게시일 2026-08-12

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

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

당신이 컴퓨터에게 패턴을 인식하는 법, 예를 들어 사진 속에서 고양이를 찾아내거나 내일의 날씨를 예측하는 법을 가르치려 한다고 상상해 보세요. 수십 년 동안 우리는 비트(0 또는 1인 작은 스위치)를 통해 생각하는 '고전적' 컴퓨터를 사용해 왔습니다. 하지만 여기 '큐비트'라는 것을 사용하는 새로운 플레이어가 등장했습니다. 큐비트를 단순한 전등 스위치가 아니라 회전하는 동전이라고 생각해 보세요. 동전이 돌고 있는 동안에는 앞면도 뒷면도 아닌, 두 가지 상태가 동시에 섞인 흐릿한 상태입니다. 이를 통해 양자 컴퓨터는 한 번에 하나씩 시도하는 대신, 거대한 열쇠 꾸러미의 모든 열쇠를 동시에 시도하는 것처럼 수많은 가능성을 동시에 탐색할 수 있습니다.

과학자들이 던지는 큰 질문은 이것입니다. "우리는 이 흔들거리고 회전하는 동전들을 이용해 더 나은 '신경망'을 구축할 수 있을까?" 신경망은 데이터로부터 학습하는 AI의 두뇌 역할을 하는 소프트웨어입니다. 보통 이러한 네트워크는 거대하고 막대한 전력을 필요로 합니다. 하지만 단 하나의 작고 미세한 양자 동전만으로도 초효율적인 AI를 만들 수 있다면 어떨까요? 이것이 바로 양자 물리학의 기묘한 규칙과 패턴 매칭의 마법이 만나는 분야인 '양자 기계 학습(Quantum Machine Learning)'의 놀이터입니다. 목표는 우리가 현재 가지고 있는 취약한 초기 단계의 양자 컴퓨터에서도 실행될 수 있을 만큼 작고 효율적인 모델을 만드는 것이며, 미래의 거대하고 완벽한 기계를 기다리는 것이 아닙니다.

여기에 레안드로 C. 소우자(Leandro C. Souza)와 그의 팀이 제안한 영리한 새로운 아이디어인 **단일 큐비트 양자 신경망(SQQNN)**이 등장합니다. 그들은 간단한 질문을 던졌습니다. "학습을 위해 거대하고 복잡한 양자 기계가 필요한가, 아니면 단 하나의 작은 큐비트로도 충분한가?" 그들의 대답은 확고한 "그렇다, 가능하다"였습니다. 그들은 단 하나의 초스마트한 양자 뉴런처럼 작동하는 모델을 구축했습니다. 거대한 큐비트 군단을 사용하는 대신, 그들의 시스템은 정보를 처리하기 위해 단 하나의 회전하는 동전만을 사용합니다.

이 마술의 원리는 다음과 같습니다. 일반적인 컴퓨터에서 '뉴런'은 숫자를 받아 수학 연산을 수행하고 답을 내놓습니다. SQQNN에서 '뉴런'은 단 하나의 큐비트입니다. 연구진은 '회전 게이트(rotation gates)'라고 부르는 방식을 사용하여 데이터를 이 큐비트에 주입합니다. 이는 마치 회전하는 동전에게 "입력이 뜨거우면 조금 더 돌리고, 차가우면 적게 돌아라"라고 명령하는 것과 같습니다. 데이터에 따라 큐비트를 돌리고 비튼 후, 연구진은 이를 측정합니다. 양자 법칙 때문에 결과는 단순한 예/아아니오가 아니라, 한쪽으로 치우친 확률, 즉 하나의 추측이 됩니다. 이 '회전 각도(가중치)'를 조정함으로써 네트워크는 시간이 지남에 따라 더 나은 추측을 하도록 학습합니다.

연구팀은 이 작은 단일 큐비트 설정이 놀라울 정도로 강력하다는 것을 발견했습니다. 그들은 두 가지 주요 작업에 대해 테스트를 진행했습니다: 회귀(전력 발전소가 생산할 전력량처럼 숫자를 예측하는 것)와 분류(종양이 양성인지 악성인지 구분하는 것처럼 사물을 그룹으로 나누는 것)입니다.

숫자를 예측하는 작업의 경우, 그들은 '경사 하강법(gradient descent)'이라는 표준적인 방법을 사용했습니다. 눈을 가린 채 안개 낀 산을 내려가는 상황을 상상해 보세요. 발밑의 지형을 느끼며, 경사가 완만하면 그 방향으로 발을 내디디고, 경사가 가파르면 뒤로 물러납니다. SQQNN은 수학적으로 이 과정을 수행하며, 오차의 '기울기'를 느껴 각도를 조절함으로써 가장 낮은 오차 지점으로 미끄러져 내려갑니다. 그들은 이를 논리 퍼즐(AND, OR, XOR 게이트 같은 고전적 게이트)과 발전소 출력 같은 실제 데이터에 테스트했습니다. 결과는 인상적이었습니다: 단일 큐비트 네트워크는 매우 적은 단계와 아주 작은 오차로 이러한 과업들을 학습했으며, 종종 두 개의 큐비트를 사용하는 기존의 더 복잡한 양자 모델보다 뛰어난 성능을 보였습니다.

분류 작업을 위해 그들은 완전히 새로운 학습 기법을 발명했습니다. 안개 속에서 한 걸음씩 산을 내려가는 대신, 골짜기의 정확한 바닥을 한눈에 보여주는 지도를 사용하는 방식입니다. 이 방법은 문제를 특정 종류의 수학 퍼즐로 변환함으로써, 단 한 번의 단계만으로 완벽한 답을 계산할 수 있게 해줍니다. 이 덕분에 학습은 믿을 수 없을 정도로 빨라졌으며, 일반 노트북에서도 단 몇 초 만에 완료되었습니다. 그들은 위스콘신 유방암 데이터(암세포 분류)와 같은 유명한 데이터셋, 심지어 MNIST 데이터셋의 일부를 대상으로 테스트했습니다. 많은 경우, 단일 큐비트 네트워크는 '2와 3' 또는 '8과 9'처럼 까다로운 숫자 쌍을 97% 이상의 성공률로 구별해내며 거의 완벽한 정확도를 달 achievement 했습니다.

연구진은 이 결과들이 시뮬레이션에서 나온 것임을 주의 깊게 명시했습니다. 그들은 양자인 척하는 일반 컴퓨터 위에서 양자 모델을 실행했습니다. 아직 실제 양자 기계에서 실행해보지는 않았지만, 그들은 낙관적입니다. 왜일까요? 단일 큐비트 연산은 현재 양자 하드웨어에서 할 수 있는 가장 신뢰할 수 있는 작업 중 하나이기 때문입니다. 단일 큐비트는 복잡한 다중 큐비트 시스템보다 오류가 발생하거나 노이즈가 생길 가능성이 적습니다. 이는 언젠가 실제 하드웨어에서 실행하게 될 때 잘 작동할 것임을 시사합니다.

요약하자면, 이 논문은 거대하고 오류 없는 양자 슈퍼컴퓨터를 기다리지 않고도 유용한 AI를 만들기 시작할 수 있다는 점을 시사합니다. 단 하나의 잘 조율된 양자 동전을 사용하는 '적을수록 좋다(less is more)'는 접근 방식을 통해, 우리는 빠르고 정확하며 현재의 양자 장치에서도 바로 실행 가능한 모델을 구축할 수 있습니다. 이는 때때로 가장 강력한 도구는 가장 큰 도구가 아니라, 정확히 어떻게 회전해야 하는지를 아는 도구라는 사실을 일깨워 줍니다.

기술 요약: 단일 큐비트 양자 신경망을 이용한 회귀 및 분류

문제 정의
본 논문은 근미래 양자 장치(NISQ)에 적합하고 자원 효율적이며 확장 가능한 양자 신경망(QNN)의 필요성을 다룬다. 고전적 머신러닝이 패턴 인식과 의사결정 분야를 변화시킨 반면, 양자 컴퓨팅은 병렬성과 얽힘을 통해 잠재적인 이점을 제공한다. 그러나 기존의 많은 QNN 아키텍처는 노이즈와 결맞음(decoherence)에 취론하기 쉬운 복잡한 다중 큐비트 회로를 필요로 한다. 저자들은 최소한의 양자 자원, 구체적으로는 단일 큐비트 뉴런과 매개변수화된 유니터리 연산자를 활용하여 회귀 및 이진 분류 작업을 수행하는 단일 큐비트 양자 신경망(SQQNN)을 제안한다.

방법론
제안된 SQQNN 아키텍처는 일반화된 단일 큐비트 양자 뉴런 모델을 기반으로 구축된다.

뉴런 모델: 기본 단위는 입력 데이터의 함수인 각도 $\alpha, \beta, \gamma$ 를 갖는 일련의 회전 게이트 $R_z(\alpha)R_y(\beta)R_z(\gamma)$ 를 받는 단일 큐비트이다. 출력은 기저 변화 유니터리 $U_O$ 이후에 측정된 관측량 $O$ 의 기댓값이다. 저자들은 입력 상태 파라미터와 학습 가능한 가중치에 의존하는 일반적인 출력 방정식(식 1)을 정의한다.
아키텍처: 네트워크는 $K$ 개의 순차적으로 연결된 단일 큐비트 뉴런으로 구성된다. 이 뉴런들의 누적 효과는 수학적으로 하나의 유효한 단일 큐비트 양자 뉴런과 동일하다.
데이터 인코딩: 고차원 입력을 여러 개의 3D 벡터로 분해하여 회로 깊이를 증가시키는 기존 방식과 달리, 이 방법은 "데이터 재업로드(data re-uploading)" 전략을 채택한다. 입력 데이터는 회전 게이트의 각도를 계산하기 위해 고전적으로 전처리된다. 구체적으로, 회전 파라미터는 입력 특징들의 가산 다항식 함수로 모델링되어(식 4), 네트워크가 임의의 입력 차원을 직접 처리할 수 있게 한다.
축소 모델: 입력 상태와 관측량이 고정된(계산 기저에서 측정되는) 단순화된 버전의 SQQNN이 도입되며, 이를 통해 학습 가능한 파라미터를 뉴런당 단 하나의 각도 $\beta$ 로 줄이고, 이는 전역 회전 각도로 합산된다.
학습 전략:
- 회귀(Regression): 모델은 평균 제곱 오차(MSE)를 최소화하기 위해 **경사 하강법(Gradient Descent)**을 사용한다. 저자들은 네트워크 각도에 대한 출력의 편미분에 대한 해석적 표현을 제공하여 효율적인 최적화를 용이하게 한다.
- 분류(Classification): 이진 분류를 위해 저자들은 **다항식 기반 선형 최소 제곱(LLS)**이라는 새로운 방법을 도입한다. 레이블에 $\text{arctanh}$ 함수를 적용하여 분류 문제를 회귀 작업으로 변환함으로써, 무어-펜로즈 유사 역행렬(Moore–Penrose pseudo-inverse, 식 6)을 사용하여 단 한 번의 단계로 가중치를 결정할 수 있다. 이 접근 방식은 반복적인 경사 기반 방법에서 흔히 발생하는 지역 최솟값을 피하며, 변환된 이차 최소 제곱 목적 함수의 전역 최솟값을 찾는다.

주요 기여

자원 효율적 아키텍처: 다차원 입력을 분해하지 않고 처리함으로써 이전 연구(참조 [31])를 일반화하고, 회로 깊이와 하드웨어 요구 사항을 줄이는 단일 큐비트 QNN을 제안하였다.
새로운 학습 알고리즘: 다항식 회귀에서 영감을 얻은 폐쇄형 행렬 기반 학습 방법을 개발하였다. 이 방법은 매개변수 추정을 단 한 단계 만에 수행하여, 반복적인 경사 하강법에 비해 학습 속도를 크게 가속화한다.
다재다능함: 회귀(논리 게이트, 연속 함수, 실제 데이터셋)와 이진 분류(합성 및 실제 데이터셋) 모두에서 높은 정확도로 SQQNN의 능력을 입증하였다.

결과
저자들은 다양한 데이터셋에 대해 고전적 양자 회로 시뮬레이션을 사용하여 SQQNN을 평가하였다:

회귀 작업:
- 논리 게이트: SQQNN은 상대적으로 적은 경사 하강법 에포크(38–79) 내에 AND, OR, XOR, NAND, NOR, XNOR 게이트에 대해 낮은 훈련 오차(MSE 범위 $6 \cdot 10^{-4}$ ~ $2 \cdot 10^{-3}$ )를 달성하였다.
- Sinc 함수: 모델은 진동하는 sinc 함수를 성공적으로 근사하였으며, 백색 잡음이 추가된 상황에서도 성능을 유지하며 약 $10^{-3}$ 의 MSE로 수렴하였다.
- 실제 데이터셋: Combined Cycle Power Plant (CCPP) 데이터셋에서 모델은 $0.0035 \pm 0.0002$ 의 테스트 MSE를 달성하여, 이전의 양자 연구 결과보다 한 자릿수 더 높은 성능을 보였다. Communities and Crime 데이터셋에서는 $0.1195 \pm 0.0252$ 의 테스트 MSE를 달성하였으며, 이는 문헌에 인용된 고전적 벤치마크보다 현저히 낮은 수치이다.
분류 작업:
- Two Moons: 모델은 모델 차수 $K_{code} \ge 4$ 일 때, 비선형 분리 가능한 합성 데이터셋에서 100% 정확도에 도달하였다.
- Wisconsin Breast Cancer (WBCD): 모델은 $0.956 \pm 0.028$ 의 정확도를 달성하였으며, 이는 문헌에 보고된 양자 배깅 앙상블보다 약간 상회하는 성능이다.
- MNIST: 이산 코사인 변환(DCT) 전처리를 사용한 축소된 SQQNN( $K_{code}=1$ )을 사용하여, 이진 숫자 분류 작업(예: 0과 1의 구분)에서 거의 완벽한 정확도(예: $0.999 \pm 0.001$ )를 달성하였다. 훈련 시간은 표준 노트북에서 반복당 약 8초로 보고되었다.

의의 및 주장
본 논문은 SQQNN이 근미래 양자 장치를 위한 다중 큐비트 모델의 다재다능하고 확장 가능하며 실용적인 대안을 제공한다고 주장한다. 단일 큐비트 게이트는 결맞음이 최소화되어 현재 하드웨어에서 가장 신뢰할 수 있는 연산 중 하나이므로, 이 모델은 NISQ 장치 배포에 매우 적합하다. 저자들은 다항식 기반 LLS 학습 방법이 변환된 이차 최소 제곱 목적 함수의 전역 최솟값을 단 한 단계 만에 찾아냄으로써 분류 작업에 대한 상당한 속도 향상을 제공한다는 점을 강조한다.

결과는 SQQNN이 많은 테스트 시나리오에서 강력한 성능과 함께 선형 및 비선형 관계를 모두 학습할 수 있음을 보여준다. 현재 결과는 고전적 시뮬레이션에 기반하고 있으나, 저자들은 회로의 얕은 깊이와 단일 큐비트 특성이 실제 양자 하드웨어에 유리하다고 언급하며, 실제 장치에서의 실험적 검증이 향-후 필수적인 단계임을 명시하였다. 이 연구는 경량화된 양자 모델이 현재의 양자 하드웨어 능력과 실질적인 머신러닝 응용 분야 사이의 간극을 메울 수 있는 잠재력을 강조한다.

유사한 논문