Quantum Re-Uploading for Calorimetry: Optimized Architectures with Extended Expressivity

기술 요약: 칼로리미트리(Calorimetry)를 위한 양자 재업로딩(Quantum Re-Uploading)

문제 정의
노이즈가 있는 중간 규모 양자(NISQ) 시대에, 양자 머신러닝(QML)은 모델의 표현력(expressivity), 최적화 안정성, 그리고 하드웨어 제약(제한된 큐비트 수 및 얕은 회로 깊이) 사이의 결정적인 트레이드오프 문제에 직면해 있다. 변분 양자 회로(VQC)가 표준적으로 사용되지만, 데이터가 단 한 번만 인코딩되는 모노-인코딩(mono-encoding) 방식은 입자 분류와 같은 작업에 필요한 복잡하고 고주파적인 비선형 함수를 표현하는 능력을 제한하여 기능적 표현력이 떨어지는 경우가 많다. 본 연구는 클래식 데이터를 양자 회로에 반복적으로 인코딩하는 "양자 재업로딩 유닛(QRU)"이 최소한의 하드웨어 풋프린트(단일 큐비트 구현)를 유지하면서 이러한 한계를 극적으로 극복할 수 있는지 조사한다.

방법론
저자들은 고에너지 물리학의 칼로리미트리(구체적으로 OGCID/D2 데이터셋)에서 유도된 시뮬레이션 데이터셋을 사용하여 단일 큐비트 QRU를 구현하고 평가하였다. 과제는 세 가지 엔지니어링된 특징(총 ECAL 에너지, 샤워 길이, HCAL 에너지 표준 편차)을 기반으로 세 가지 입자 유형(전자, 뮤온, 파이온)을 분류하는 것이었다.

• 모델 아키텍처: QRU는 클래식 입력 특징이 단일 큐비트 회로의 회전 매개변수로 재인코딩되는 레이어드 안사츠(layered ansatz)를 채택한다. 각 레이어는 데이터 인코딩 게이트($R_Y(x_j)$)와 학습 가능한 파라미터 게이트($R_X, R_Y, R_Z$)를 교대로 배치한다.
• 베이스라인 비교: 본 연구는 QRU를 다음 대상들과 비교하였다:
  1. 단일 큐비트 QRU의 매개변수 수와 일치하도록 설계된 3-큐비트 모노-인코딩 VQC.
  2. 매칭된 매개변수 예산을 가진 클래식 다층 퍼셉트론(MLP).
• 실험 프로토콜: 분류 작업은 스칼라 회귀 문제로 프레임화되었으며, 모델은 $[-1, 1]$ 범위의 값을 출력하고 이는 고정된 임계값($\{-0.33, +0.33\}$)을 통해 세 가지 클래스로 매핑된다. 저자들은 광범위한 하이퍼파라미터 스윕(깊이, 학습률, 그래디언트 누적을 통한 배치 크기, 회전 게이트 시퀀스, 손실 함수)과 베이지안 방법을 통한 전역 최적화를 수행하였다.
• 하드웨어 검증: 학습된 모델은 실제 구현 가능성을 검증하기 위해 클라우드 워크플로우(qBraid)를 통해 실시간 초전도 QPU(IQM Garnet)에 엔드 투 엔드로 배포되었다.

주요 기여

1. 이론적 표현력 분석: 본 논문은 QRU 아키텍처가 모노-인코딩 VQC보다 더 넓은 푸리에 주파수 지원(Fourier-frequency support)을 갖는다는 수학적 분석을 제공한다. 모노-인코딩 VQC는 주파수 성분이 $\{-1, 0, 1\}$로 제한되는 반면, $L$개의 재업로드 레이어를 가진 QRU는 $\{-L, \dots, L\}$까지의 주파수를 표현할 수 있다. 이를 통해 QRU는 큐비트 수를 늘리지 않고도 더 높은 주파수의 함수적 성분을 포착할 수 있다.
2. 경험적 하이퍼파라미터 최적화: 체계적인 절제 연구(ablation studies)를 통해 저자들은 QRU의 성능 향상이 작은 회로 깊이(특히 깊이 4)에서 포화된다는 것을 확인하였으며, 그 이상의 깊이에서는 수익 체감과 함께 학습 비용이 선형적으로 증가함을 밝혀냈다. 또한 특정 회전 게이트 조합(예: $R_X-R_Y-R_X$)과 입력 정규화($[-\pi, \pi]$)가 안정성과 수렴성에 중요한 영향을 미친다는 것을 결정하였다.
3. 매개변수 매칭 벤치마킹: 연구 결과, 단일 큐비트 QRU가 칼로리미터리 작업에서 3-큐비트 모노-인코딩 VQC보다 일관되게 우수한 성능을 보였으며, 동일한 매개변수 수의 클래식 MLP와 대등한 수준을 유지함을 보고하였다.
4. 하드웨어 실행 증명: 저자들은 학습된 QRU를 실제 양자 하드웨어 상에서 성공적으로 실행하여, 훈련된 모델의 결정 경계가 테스트 샘플에 대해 샷 노이즈(shot noise) 및 장치 노이즈 하에서도 안정적으로 유지됨을 입증하였다.

결과

• 정확도: 최적화된 단일 큐비트 QRU는 약 0.987의 테스트 정확도를 달enc하여, 특정 실험 실행에서 3-큐비트 VQC(0.927)와 매개변수 매칭 MLP(0.970)를 능가하였다.
• 깊이 대비 비용: 회로 깊이를 4 이상으로 늘리면 정확도 개선이 미미하였고(0.98 근처에서 포화), 실행 시간은 선형적으로 증가하여 시뮬레이션에서 깊이 14일 때 16시간 이상이 소요되었다.
• 최적화: 학습률 $5 \times 10^{-5}$와 Huber 손실을 사용하는 Adam 옵티마이저가 안정성과 수렴성 사이의 최적의 균형을 제공하였다. 베이지안 전역 최적화 결과, 학습률과 옵티마이저 선택이 회로 깊이나 정규화 범위보다 성능 편이를 결정하는 가장 중요한 요인임을 확인하였다.
• 하드웨어 성능: IQM Garnet QPU에서 모델은 50 및 200 샷을 사용하여 작은 테스트 서브셋(10개 샘플)에 대해 10/10의 정확한 예측을 달성하였으며, 이는 훈련된 매개변수가 아키텍처 변경 없이 하드웨어로 효과적으로 전이됨을 나타낸다.

의의 및 주장
본 논문은 QRU가 큐비트 수가 아닌 데이터 재업로딩을 통해 표현력을 극대화함으로써 NISQ 시대의 실질적인 경로를 제공한다고 주장한다. 저자들은 더 높은 주파수의 조화 성분에 접근할 수 있는 능력이 단일 큐비트 QRU가 더 깊은 다중 큐비트 모노-인코딩 회로보다 복잡한 분류 작업을 더 효과적으로 해결할 수 있게 한다고 논한다.

그러나 저자들은 이러한 결과에 대해 신중한 태도를 유지한다. 이들은 하드웨어 실행이 종합적인 노이즈 강건성 벤치마크라기보다는 "실행 증명(proof-of-execution)"임을 명시적으로 밝힌다. 또한 엔지니어링된 특징의 사용, 스칼라-투-멀티클래스 임계값 방식(소프트맥스 크로스 엔트로피보다 덜 표준적인 방식)에 대한 의존, 제한된 베이스라인 클래스 등의 한계를 인정한다. 이 연구는 QRU가 입자 식별과 같은 특정 작업에 유망하지만, 고에너지 물리학 응용 분야에서 그 효용성을 완전히 검증하기 위해서는 향후 노이즈 완화, 멀티 로짓 출력(multi-logit readouts), 그리고 더 넓은 베이스라인 비교에 대한 연구가 필요함을 시사한다.