Quantum vs. classical: A comprehensive benchmark study for predicting time series with variational quantum machine learning

기술 요약: 시계열 예측을 위한 양자 vs. 고전 벤치마크

문제 정의
변분 양자 기계 학습(VQML) 알고리즘이 시계열 예측을 위한 유망한 도구로 제안되어 왔으나, 확립된 고전적 방법론 대비 실질적인 우위가 있는지는 여전히 불확실하다. 양자 기계 학습의 기존 입증 사례들은 대부분 인공적인 설정이나 단순한 1단계 앞 예측(one-step-ahead prediction)에 국한되어 있으며, 이는 종종 높은 선형성을 보인다. 특히 혼돈계(chaotic systems)에서의 장기 예측을 포함하는 복잡하고 비선형적인 예측 과제에 대해, 편향을 최소화하여 포괄적으로 평가하는 벤치마크가 부족한 실정이다.

방법론
저자들은 5가지 변분 양자 기계 학습 모델과 3가지 고전 기계 학습 모델을 27개의 서로 다른 시계열 예측 과제에 걸쳐 비교하는 대규모 벤치마크 연구를 제시한다.

• 데이터셋: 본 연구는 비선가적 복잡성을 가진 세 가지 혼돈 역학계인 1차원 Mackey-Glass 방정식, 2차원 Hénon 맵, 3차원 Lorenz 시스템의 데이터를 활용한다.
• 예측 과제: 모델들은 다양한 예측 지평(prediction horizons)에 대해 평가된다: 1단계 앞 예측($k=1$), 약 0.5 리아푸노프 시간(Lyapunov time), 그리고 전체 리아푸노프 시간. 시퀀스 길이($l$)는 4, 8, 16으로 테스트된다.
• 모델:
  • 양자 모델: 인용 횟수가 많은 문헌을 바탕으로 5가지 아키텍처를 선정하였다:
    1. d-QNN: 매개변수화된 양자 회로(PQC)가 학습 가능한 고전 선형 층 사이에 샌드위치 구조로 배치된 드레스드 양자 신경망(dressed quantum neural network).
    2. ru-QNN: 순차적인 지수 각도 인코딩(exponential angle encoding)과 변분 블록을 사용하는 재업로딩(re-uploading) 양자 신경망.
    3. QRNN: 양자 순환 신경망(quantum recurrent neural network). (큐비트 리셋이 불필요함을 발견하여 원래 제안에서 이를 제외하도록 수정됨).
    4. QLSTM: 고전 층을 PQC로 대체한 양자 장단기 메모리(quantum long short-term memory) 모델.
    5. le-QLSTM: PQC 사이에 고전 선형 층을 포함하는 선형 층 강화형 QLSTM.
  • 고전 모델: 대조군으로 다층 퍼셉트론(MLP), 순환 신경망(RNN), 장단기 메모리(LSTM)를 사용하였다.
• 실험 설정:
  • 모든 양자 모델은 성능의 상한선을 설정하기 위해 PennyLane 라이브러리를 사용하여 이상적이고 노이즈가 없는 조건에서 고전적으로 시뮬레이션되었다.
  • 하이퍼파라미터 최적화: 공정성을 보장하기 위해 모든 모델은 그리드 탐색(grid search)을 통한 광범한 하이퍼파라미터 튜닝을 거쳤다. 탐색 공간은 모델 간 학습 가능한 파라미터 수를 유사하게 유지하도록 제한되었다.
  • 평가: 각 구성은 서로 다른 무작위 초기 가중치를 사용하여 10회 학습되었다. 성능은 테스트 세트에 대한 중앙값 평균 제곱 오차(Median MSE)로 측정되었으며, 변동성은 중앙값 절대 편차(MAD)로 보고되었다.

주요 결과

• 성능 비교: 많은 경우, 양자 모델은 유사한 복잡도를 가진 단순 고전 모델의 정확도에 미치지 못했다. 가장 성능이 좋은 양자 모델들(d-QNN 및 le-QLSTM)은 짧은 지평에서는 고전 모델(RNN 및 LSTM)과 대등한 수준의 예측 정확도를 달ow성했다.
• 장기 예측: 예측 지평이 전체 리아푸노프 시간에 도달하는 경우, 고전 모델이 양자 모델보다 현저히 우수한 성능을 보였다.
• 아키텍처 분석:
  • d-QNN과 le-QLSTM이 양자 모델 중 가장 우수한 성능을 보였으나, 저자들은 이 아키텍처들이 고전 선형 층에 크게 의존한다는 점에 주목했다. 저자들은 이 모델들의 양자 구성 요소가 독특한 양자 이점을 제공하기보다는 단순히 추가적인 층의 역할을 수행할 수 있으며, 고전 층이 학습 과정을 주도할 가능성이 높다고 제안한다.
  • 시계열 데이터 처리를 위해 특별히 설계된 QLSTM과 QRNN은 d-QNN보다 성능이 낮았으며, 종종 고전적 대응 모델보다 낮은 성능을 보였다.
  • 헤비한 고전 층 의존 없이 베이스라인으로 설계된 ru-QNN은 특히 다단계 과제에서 제한적인 성능을 보였다.
• 파라미터 스케일링: 학습 가능한 파라미터 수를 맞추었을 때, 최상위 고전 및 양자 모델은 짧은 지평에서 대등한 성능을 보였다. 그러나 더 긴 지평에 대해서는 고전 모델(특히 LSTM)이 파라미터 증가와 함께 성능이 계속 향상된 반면, 양자 모델은 유사한 스케일링 이점을 보여주지 못했다.
• 순위: 27개 과제 전체에서 고전 LSTM과 RNN이 가장 높은 평균 순위를 차지했다. 시계열용으로 설계된 양자 모델(QLSTM, QRNN)은 최하위권에 머물렀다.

의의 및 주장
본 논문은 시계열 예측을 위한 변분 양자 모델과 고전 모델을 비교하는 최초의 대규모 체계적 벤치마크를 제공한다고 주장한다. 이 연구의 주요 의의는 광범한 하이퍼파라미터 최적화와 복잡한 혼돈계에 대한 테스트를 포함한 엄격하고 공정한 비교 방법론에 있다.

저자들은 현재의 변분 양자 알고리즘 상태에서는 시계열 예측을 위해 고전적 신경 층을 양자 신경망으로 대체할 명확한 이점이 없다고 결론짓는다. 본 연구의 고성능 양자 모델들은 고전적 구성 요소에 크게 의존하고 있다는 점은 양자 효과의 실제 기여도에 대한 의문을 제기한다. 결과적으로, 이 연구는 이 특정 응용 분야에 대한 현재 VQA의 효용성에 의문을 제기하며, 고전적으로 시뮬레이션 가능한 변분 방식에 의존하기보다 양자 리저버 컴퓨팅(quantum reservoir computing)과 같이 양자 자원을 더 잘 활용할 수 있는 새로운 접근 방식의 필요성을 강조한다.