⚛️ quantum physics

Enhanced Variational Quantum Kolmogorov-Arnold Network

이 논문은 기존의 양자 방식보다 함수 근사 정확도를 개선한 변분 양자 콜모고로프-아르노프 네트워크(EVKANK)를 소개하지만, 현재 과적합과 자원 요구량으로 인해 상당한 분류 한계와 높은 회로 비용에 직면해 있어, 근미래의 NISQ 솔루션이라기보다는 시뮬레이터 규모의 아키텍처로서 자리 잡고 있다.

원저자: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

게시일 2026-07-30

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

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

양자 놀이터: 수학이 마법을 만나는 곳

당신이 컴퓨터에게 사진 속에서 고양이를 찾아내거나 날씨를 예측하는 것과 같은 패턴을 인식하도록 가르치려 한다고 상상해 보세요. 수십 년 동안 우리는 '뉴럴 네트워크(신경망)'를 사용해 왔습니다. 이것은 기본적으로 작은 프로세서(뉴런)들이 전선으로 연결된 층들로 이루어진 디지털 뇌와 같습니다. 이 디지털 뇌에서 '학습'은 뉴런 사이의 연결 강도를 미세하게 조정함으로써 일어납니다. 이는 마치 음악이 완벽하게 들릴 때까지 거대한 믹싱 보드의 볼륨 노브를 조절하는 것과 같습니다.

하지만 단순히 노브를 돌리는 대신, 연결 자체가 모양을 바꿀 수 있다면 어떨까요? 뉴런을 연결하는 와이어가 단순히 고정된 케이블이 아니라, 문제를 해결하기 위해 필요한 어떤 곡선으로든 늘어나고, 뒤틀리고, 형태를 바꿀 수 있다고 상상해 보세요. 이것이 바로 **콜모고로프-아르노프 네트워크(Kolmogorov-Arnold Network, KAN)**라고 불리는 새로운 유형의 AI 뒤에 숨겨กัน 아이디어입니다. 이는 기존 설계에 대한 영리한 변형으로, 수학적 효율성을 훨씬 더 높여줍니다.

이제 이 초효율적인 AI를 가져와 양자 컴퓨터에서 실행한다고 상상해 봅시다. 양자 컴퓨터는 컴퓨팅의 차세대 주자로, 입자가 동시에 두 곳에 존재할 수 있는 것과 같은 미시 세계의 기묘한 규칙들을 사용하여 일반 컴퓨터라면 영원히 걸릴 문제를 해결합니다. 과학자들이 던지는 큰 질문은 이것입니다. "우리가 이 형상 변형 AI의 양자 버전을 만들 수 있을까?" 만약 가능하다면, 이는 우리가 현재 가진 그 어떤 것보다 더 빠르고 더 잘 학습할 수 있을 것입니다. 이 논문은 한 팀이 이 양자 기계를 구축하고, 그것이 얼마나 잘 작동하는지 확인하며, 왜 때때로 비틀거리는지를 밝혀내는 과정에 관한 것입니다.

형상을 바꾸는 양자 기계

이 논문의 저자인 히카루 와쿠라(Hikaru Wakaura)와 그의 동료들은 강화된 변분 양자 콜모고로프-아르노프 네트워크, 줄여서 EVQKAN이라 부르는 새로운 설계를 구축했습니다. EVQKAN을 매우 구체적인 양자 회로 레시피라고 생각하세요. 일반적인 양자 컴퓨터에는 0, 1, 또는 동시에 두 상태 모두가 될 수 있는 '큐비트'(양자 버전의 비트)가 있습니다. 이들이 학습하게 하려면, 이 큐비트들을 회전시키는 일련의 게이트(연산)를 적용해야 합니다.

EVQKAN 레시피에서 '학습' 부분은 **스플라인(spline)**이라 불리는 특별한 수학적 곡선에 의해 처리됩니다. 고정된 회전을 갖는 대신, 양자 게이트는 이 유연한 곡선들에 의해 제어됩니다. 팀의 큰 혁신은 '타일링(tiling)' 방법을 사용하여 이 곡선들을 배치하는 영리한 방식입니다. 당신이 바닥을 타일로 덮으려고 노력한다고 상상해 보세요. 모든 지점에 거대하고 맞춤형인 타일을 만드는 대신, 그들은 몇 가지 스마트하고 반복되는 패턴(제어된 회전)을 사용하여 전체 바닥을 효율적으로 덮는 방법을 찾아냈습니다. 이 설계 덕분에 그들은 다른 양자 방법들보다 훨씬 적은 수의 '노브'(학습 가능한 파라미터)를 사용하여 설정값을 찾을 수 있으며, 이는 컴퓨터가 적절한 설정을 찾는 데 훨씬 수월하다는 점에서 매우 중요한 일입니다.

위대한 피팅 경연 대회: 누가 승리하는가?

EVQKAN이 실제로 작동하는지 확인하기 위해, 팀은 이를 다른 양자 모델 및 심지어 클래식 AI 모델과 경연에 붙였습니다. 첫 번째 도전은 피팅(fitting) 문제였습니다. 그래프 위에 점들이 흩어져 있고, 그 점들을 완벽하게 연결하는 매끄러운 선을 그려야 한다고 상상해 보세요.

이 시뮬레이션에서 EVQKAN은 주인공이었습니다. 점들 사이로 선을 그리라는 요청을 받았을 때, EVQKAN은 다른 양자 모델들(표준 양자 신경망이나 이전의 VQKAN 등)보다 현저히 더 뛰어난 성과를 보였습니다. 실제로 그들이 실행한 10번의 시도 모두에서 EVQKAN은 이전의 양자 모델들을 이겼습니다. 결과가 매우 일관적이어서, EVQKAN의 결과는 거의 항상 경쟁자들보다 좋았습니다.

하지만 함정이 있었습니다. EVQKAN이 최고의 양자 모델이었음에도 불구하고, 여전히 클래식 KAN(일반 컴퓨터에서 실행되는 비양자 버전)은 이기지 못했습니다. 클래식 모델이 여전히 가장 정확했습니다. 따라서 EVQKAN이 이전의 양자 시도들에 비해 엄청난 개선을 이루어낸 것은 사실이지만, 아직 최고의 비양자 AI를 넘어서지는 못했습니다.

분류의 반전: 대본이 뒤바뀌다

그다음, 팀은 다른 도전인 **분류(classification)**를 시도했습니다. 이것은 섞여 있는 빨간색과 파란색 구슬 더미를 두 개의 별도 병에 나누어 담는 것과 같습니다. 그들은 구슬들이 까다로운 패턴으로 배치된 시나리오를 만들었고, AI는 각 구슬이 어느 병에 속하는지 맞춰야 했습니다.

여기서 이야기는 완전히 뒤집혔습니다. 구슬을 분류하는 과제에서 EVQK안은 다른 양자 모델들보다 성적이 좋지 않았습니다. 무작위 추측(약 62% 정답률)보다는 나은 성적을 냈지만, 표준 양자 신경망(QNN)이 약 75%의 정답률을 기록하며 압승했습니다. 이는 EVQKAN이 더 적은 '노브'를 가지고 있고 더 효율적이어야 했기에 매우 놀라운 결과였습니다.

저자들은 이 부분에서 매우 신중했습니다. 그들은 이전 버전의 작업에서, 다른 모델들에게는 주지 않았던 힌트로 정답(레이블)을 기계에 직접 입력하여 EVQKAN에게 실수로 '커닝 페이퍼'를 주었다는 것을 깨달았습니다. 그들은 이 '정보 누출'을 수정하고 테스트를 다시 수행했습니다. 공정한 경기장에서도 EVQKAN은 여전히 분류 게임에서 패배했습니다. 이는 EVQKAN을 선을 그리는 데(피팅) 탁월하게 만드는 '타일링' 기술이 물건을 분류하는 데(분류) 반드시 도움이 되는 것은 아님을 시사합니다.

왜 아직 당신의 휴대폰에서 돌아가지 않는가?

그렇다면 왜 이 양자 슈퍼 AI가 당신의 노트북이나 휴대폰에서 실행되지 않을까요? 답은 **회로 비용(circuit cost)**에 있습니다.

EVQKAN을 작동시키기 위해, 팀은 매우 복잡한 회로를 구축해야 했습니다. 이 네트워크의 단 3개 층만을 위해서도, 복잡한 연산을 분해했을 때 4,110개의 2-큐비트 게이트가 필요합니다. 이를 체감하기 위해 설명하자면, 현재의 양자 컴퓨터(NISQ 장치라고 불림)는 매우 노이즈가 심하며, 정보가 흐트러지기 전에 이 중 아주 작은 부분만을 처리할 수 있습니다. 저자들은 솔직하게 밝힙니다. 이 설계는 현재 "시뮬레이터 규모(simulator-scale)" 프로젝트입니다. 노이즈가 없는 컴퓨터 시뮬레이션에서는 완벽하게 작동하지만, 실제 양자 하드웨어에서 실행하기에는 너무 크고 복잡합니다.

과적합 문제: 너무 많은 질문, 너무 적은 답변

팀은 또한 양자 모델들이 왜 클래식 모델만큼 정확하지 않은지에 대해서도 조사했습니다. 그들은 주요 원인으로 **과적합(overfitting)**을 찾아냈습니다.

당신이 수학 시험 공부를 하고 있다고 상상해 보세요. 만약 연습 문제 10개만 있는데 96개의 서로 다른 규칙을 외우려고 한다면, 그 10개 문제의 정답은 완벽하게 외울 수 있겠지만, 일반적인 개념을 배우지 못했기 때문에 실제 시험에서는 실패할 수 있습니다. 여기서 일어난 일이 바로 이것입니다. 모델은 돌려야 할 '노브'는 96개였지만, 훈련된 데이터 포인트는 10개뿐이었습니다.

저자들은 모델에게 더 많은 연습 문제(훈련 데이터를 10개에서 100개로 증가)를 제공함으로써 이를 테스트했습니다. 이렇게 했을 때, 모델의 연습 문제 성적과 실제 시험 성적 사이의 격차는 58% 줄어들었습니다. 이는 모델이 "고장 난" 것이 아니라, 제대로 학습하기 위해 더 많은 데이터가 필요했다는 것을 증명했습니다. 그러나 더 많은 데이터가 있음에도 불구하고, 양자 모델은 여전히 클래식 모델을 따라잡지 못했습니다.

결론

이 논문은 EVQKAN이 양자 AI를 이전의 시도들보다 곡선 피팅에 훨씬 더 뛰어나게 만드는 유망한 새로운 아키텍처라고 결론짓습니다. 이는 특정 작업에 대해 다른 양자 방법들보다 더 신뢰할 수 있고 정확합니다. 하지만 분류 작업에는 어려움을 겪으며, 요구되는 게이트 수가 너무 많아 현재 실제 양자 하드웨어에서 실행하기에는 너무 복잡합니다.

저자들은 이것이 진행 중인 작업임을 명확히 합니다. 그들은 향aries 연구가 회로를 단순화하는 것(아마도 '블록 인코딩'이라 불리는 새로운 수학적 기법 사용)과 모델이 어떻게 확장되는지 테스트하는 것에 집중해야 한다고 제안합니다. 현재로서는 EVQKAN은 우리에게 나아갈 길을 보여주는 훌륭한 시뮬레이션이지만, 클래식 컴퓨터를 이기는 실제 세상의 양자 AI로 가는 여정은 여전히 남아 있습니다.

기술 요약: 강화된 변분 양자 콜모고로프-아놀드 네트워크 (EVQKAN)

문제 정의
콜모고로프-아놀드 네트워크(KAN)는 뉴런이 아닌 시냅스(에지)에 학습 가능한 함수가 존재하는 신경망 구조로, 해석 가능성과 효율성 측면에서 잠재적인 이점을 제공한다. 기존의 클래식 KAN은 유망한 성과를 보여주었으나, 양자 구현 방식은 심각한 난관에 봉착해 있다:

변분 양자 KAN (VQKAN): 충분한 정확도가 부족하여 실용적인 작업에 한계가 있다.
양자 KAN (블록 인코딩/양자 신호 처리 사용): 방대한 수의 제어 게이트와 보조 큐비트를 필요로 하여, 현재의 노이즈가 있는 중규모 양자(NISQ) 장치에 부적합하며 네트워크 크기가 증가함에 따라 최적화가 어렵다.

저자들은 매개변수 효율성과 회로 복잡도 사이의 균형을 맞추는, 특히 함수 피팅 및 분류 작업을 목표로 하는 양자 KAN 변형을 제안함으로써 이 간극을 메우고자 한다.

방법론: 강화된 변분 양자 KAN (EVQKAN)
저자들은 $2^{N_q}$ 차원의 KAN 레이어 행렬을 모사하도록 설계된 변분 안사츠(ansatz)인 EVQKAN을 소개한다. 핵심 방법론은 다음과 같다:

아키텍처: 네트워크는 KAN 레이어를 모사하기 위해 "타일형 합 연산자 구축(tiled sum-operator construction)"을 활용한다. 레이어 행렬의 모든 요소에 대한 매개변수를 훈련하는 대신, EVQKAN은 회로 전체에 걸쳐 타일링된 제어 회전(controlled rotations)을 채택한다.
매개변수 효율성: $N_q$ 큐비트( $2^{N_q}$ 차원)를 가진 레이어는 $2^{N_q-1}$ 개의 학습 가능한 스플라인 함수만을 필요로 한다. 각 스플라인은 $N_g$ 개의 제어점을 가진다. 3-큐비트 시스템( $N_q=3$ ), 8개의 제어점( $N_g=8$ ), 3개의 레이어를 가진 경우, 모델은 수백 또는 수천 개의 매개변수가 필요한 행렬 요소 기반 접근 방식과 달리 단 96개의 학습 가능한 매개변수만을 사용한다.
입력 인코딩: 입력 벡터는 초기 상태로 인코딩된다. 안사츠를 위한 회전 각도는 이전 레이어의 출력값에서 스플라인 함수를 평가함으로써 생성된다.
회로 구축: 안사츠는 다중 제어 회전 게이트를 사용하여 구축된다. 저자들은 이 구축 방식이 블록 인코딩 기술을 통해 구현된 합 연산자에 의존한다고 명시한다.
최적화: 매개변수는 해밀토니언 기댓값과 타겟 함수 값 사이의 절대 거리를 최소화하는 손실 함수를 정의하기 위해 COBYLA 알고리즘(별도 명시되지 않은 경우)을 사용하여 최적화된다.
시뮬레이션 환경: 보고된 모든 결과는 무한한 샷(infinite shots)을 가정한 무잡음 상태 벡터 시뮬레이션에 기반한다. 저자들은 현재의 구축 방식이 높은 게이트 수로 인해 NISQ 친화적이지 않음을 명시적으로 밝힌다.

주요 결과

함수 피팅 작업:
- 성능: EVQKAN은 기본 함수( $f(x) = \exp(\sin(x_0^2 + x_1^2) + \sin(x_2^2 + x_3^2))$ )를 피팅하는 데 있어 양자 신경망(QNN), VQKAN, 그리고 적응형 VQKAN보다 성능이 뛰어났다.
- 통계: 10회의 독립적인 시도 결과, EVQKAN은 평균 테스트 오차 $15.088 \pm 1.739$ 를 달성하였으며, 이는 QNN의 $25.965$ 및 VQKAN의 $\approx 22.6$ 와 대조된다. 이 차이는 통계적으로 유의미했으며( $p < 0.002$ ), 큰 효과 크기(Cliff's $\delta \le -0.86$ )를 보였다. 모든 사례에서 EVQKAN은 VQKAN보다 우수한 성능을 보였다.
- 신뢰성: EVQKAN은 QNN(SD $\approx 7.0$ )에 비해 현저히 낮은 분산(SD $\approx 1.7$ )을 보여 높은 재현성을 입증했다.
- 클래식 베이스라인: 클래식 KAN이 가장 정확한 방법($13.497$)으로 남아 있었으며, 이는 양자 모델이 이 작업에서 클래식 대응물을 능가하지 못했음을 확인시켜 주지만, 양자 방법들 사이의 구분은 명확했다.
분류 작업:
- 프로토콜 수정: 저자들은 타겟 레이블이 EVQKAN 회로에는 특징(feature)으로 의도치 않게 인코딩되었으나 비교 모델에는 포함되지 않은 "누출(leakage)" 오류로 인해 이전 버전의 연구 결과를 철회하였다.
- 수정된 결과: 모든 방법이 동일한 인코딩과 특징을 공유하는 누출 없는 프로토콜 하에서, 성능 순위가 역전되었다. EVQKAN은 우연 이상의 분류 정확도( $0.620, p=0.000 \dots$ )를 기록했으나, 매개변수가 5분의 1인 QNN보다 유의미하게 낮은 정확도를 보였다(QNN 정확도 $0.754, \Delta \text{accuracy} = -0.134, p=0.0014$ ).
- 결론: 함수 피팅에서 관찰된 타일형 안사츠의 이점은 분류 작업으로 전이되지 않았다.
한계 및 오류 원인:
- 과적합: 피팅 작업의 주요 오류 원인은 결정 불가능한 훈련 세트(96개 매개변수에 대해 10개 샘플)에 의한 과적합으로 식별되었다. 훈련 세트 크기를 10개에서 100개로 늘렸을 때 훈련-테스트 간극은 58% 좁혀졌으나, 테스트 정확도는 9%만 미미하게 개선되었다.
- 회로 비용: 구축 비용이 매우 높다. 3-레이어 EVQKAN( $N_q=3$ )은 1017개의 연산을 발생시키며, 이는 4110개의 2-큐비트 게이트로 분해된다. 이는 이 방법이 현재의 NISQ 역량을 훨씬 넘어선 "시뮬레이터 규모" 및 "결함 허용 시대(fault-tolerant-era)" 범주에 속함을 의미한다.

의의 및 주장
본 논문은 세 가지 주요 기여를 주장한다:

아키텍처: 레이어 차원의 제곱근 수준으로 학습 가능한 함수의 수를 줄여 함수 피팅에서 양자 모델 간 경쟁력을 갖춘, 매개변수 효율적인 변분 양자 KAN(EVQKAN).
방법론적 엄밀성: 이전의 방법론적 결함을 수정하여, 양자 KAN 변형들 간의 정직하고 공정한 비교를 가능하게 하는 "누출 없는" 프로토콜과 표준 지표(정확도, AUC)의 도입.
정량적 분석: 과적합(작은 훈련 세트로 인한) 및 다중 제어 게이트로 인한 막대한 게이트 비용과 같은 현재의 병목 현상을 명확히 규명.

겸허한 결론
저자들은 EVQKAN이 아직 NISQ 장치를 위한 해결책이 아님을 명시적으로 밝힌다. 그들은 이 방법의 우월성이 현재 특정 작업(함수 피팅)에 국한되어 있으며, 하드웨어 배포가 가능해지려면 블록 인코딩과 큐비티제이션(qubitization)을 통해 회로 비용을 줄여야 한다고 말한다. 또한, 클래식 방법(Classical KAN, 로지스틱 회귀, MLP)이 현재 두 작업 모두에서 테스트된 모든 양자 방법보다 우수함을 인정하며, 본 논문의 의의는 양자 우위를 증명하는 것이 아니라 양자 모델들 사이의 계층 구조를 확립하는 데 있음을 밝힌다.