Analysis of Quantum Image Representations for Supervised Classification

기술 요약: 지도 학습 분류를 위한 양자 이미지 표현 분석

문제 정의
빅데이터와 인공지능의 맥맥락에서, 데이터 저장, 처리 및 분석의 효율성을 개선하기 위한 비판적인 요구가 존재한다. 양자 이미지 처리(QIP)는 중첩(superposition)과 얽힘(entanglement) 같은 양자 역학적 특성을 활용하여 시각적 정보를 고전 컴퓨터보다 더 효율적으로 저장하고 조작함으로써 잠재적인 해결책을 제공한다. 고전적인 $N \times N$ 이미지는 저장을 위해 $N$ 비트가 필요하지만, 양자 표현은 이론적으로 동일한 정보를 $O(\log N)$ 큐비트를 사용하여 인코딩할 수 있어 메모리 자원의 지수적인 감소를 제공한다. 그러나 다양한 양자 이미지 표현(QImRs)의 압축 특성과 지도 학습 작업에서의 효용성을 종합적으로 비교하는 것이 여전히 필요하다. 구체적으로, 본 논문은 다양한 QImRs를 서포트 벡터 머신(SVM)의 커널로 사용할 때 발생하는 분류 정확도와 메모리 요구량 사이의 트레이드오프(trade-off) 문제를 다룬다.

방법론
저자들은 그레이스케일 이미지를 인코딩하기 위한 네 가지 뚜렷한 QImRs에 대한 비교 분석을 수행한다:

1. 텐서 네트워크 표현 (TNR): 행렬 곱 상태(Matrix Product States, MPS)를 사용하여 픽셀 값을 구조화된 양자 상태 내의 실수 진폭으로 인코딩하며, 공간적 관계를 반영하기 위해 블록 구조화된 어드레싱을 활용한다.
2. 유연한 양자 이미지 표현 (FRQI): 픽셀 위치를 $2n$ 큐비트에 인코딩하고, 회전각을 통해 단일 컬러 큐비트의 확률 진폭에 그레이스케일 강도를 인코딩한다.
3. 새로운 향상된 양자 표현 (NEQR): 픽셀 위치를 $2n$ 큐비트에 인코딩하고, 기저 상태(basis states)를 사용하여 $q$개의 큐비트에 그레이스케일 강도를 인코딩함으로써 결정론적 검색을 가능하게 한다.
4. 양자 확률 이미지 인코딩 (QPIE): 픽셀 위치를 $2n$ 큐비트에 인코딩하고, 상태의 확률 진폭에 그레이스케일 강도를 직접 인코딩한다.

본 연구는 MNIST와 Fashion-MNIST 데이터셋을 활용하며, 이미지를 $16 \times 16$ 그레이스케일 해상도로 전처리한다. 저자들은 클래스 0 대 클래스 1~9의 이진 분류 작업을 수행하기 위해 서포트 벡터 머신(SVM)을 구현한다. 양자 커널은 서로 다른 이미지를 인코딩하는 양자 상태 간의 겹침(fidelity)을 계산함으로써 구축된다. 이러한 양자 커널은 고전적인 선형 커널과 비교된다. 시뮬레이션은 양자 회로 구현을 위해 Pennylane을, SVM 분류기를 위해 Scikit-Learn을 사용하여 수행된다.

주요 기여 및 결과

• 압축 분석: 저자들은 100개의 훈련 이미지에 대한 그램 행렬(Gram matrices)을 조사함으로써 네 가지 표현의 압축 능력을 분석한다. 이 행렬의 비대각 요소(off-diagonal elements)는 서로 다른 이미지 상태 간의 겹침을 나타낸다.
  • FRQI와 QPIE는 가장 높은 압축률을 보였는데, 비대각 요소가 주로 $[0.8, 1]$ 범위에 분포하여 인코딩된 양자 상태들이 서로 매우 가깝다는 것을 나타냈다.
  • NEQR은 비대각 요소가 $[0, 0.4]$ 범위에 분포하여 더 뚜렷한 상태를 나타냄으로써 가장 낮은 압축률을 보였다.
  • TNR은 중간 수준의 압축($[0.4, 0.7]$)을 나타냈다.
• 분류 성능: 연구는 양자 커널을 사용하는 SVM의 정확도를 평가한다. 결과에 따르면 양자 커널은 두 데이터셋 모두에서 고전적인 선형 커널과 대등한 평균 분류 정확도(예: MNIST에서 $\approx 99\%$, Fashion-MNIST에서 $\approx 94-96\%$)를 달성한다.
• 자원 효율성: 정확도는 대등하지만, 저장 요구량은 크게 다르다. 고전적인 선형 커널은 $16 \times 16$ 이미지에 대해 2,048 비트가 필요하다. 반면, 양자 표현은 지수적으로 적은 자원을 요구한다:
  • TNR: 9 큐비트
  • FRQI: 9 큐비트
  • NEQR: 16 큐비트
  • QPIE: 8 큐비트
• TNR의 결합 차원(Bond Dimension): TNR의 경우, 저자들은 결합 차원이 정확도에 미치는 영향을 조사한다. 그들은 정확도가 결합 차원이 증가함에 따라 향상되며, MNIST의 경우 4, Fashion-MNIST의 경우 6의 차원에서 수렴한다는 것을 발견하였으며, 이는 중간 정도의 결합 차원이 필수적인 이미지 상관관계를 포착하는 데 충분함을 시사한다.

의의 및 주장
본 논문은 QImRs에 기반한 양자 커널이 고전적인 커널에 대한 실행 가능한 대안을 제공하며, 이미지 저장을 위해 지수적으로 적은 자원을 사용하면서도 대등한 정확도를 제공한다고 주장한다. 저자들은 픽셀을 중첩을 통해 저장함으로써 파생되는 양자 임베딩 상태의 비직교성(non-orthogonality)이 이러한 향상된 메모리 저장의 핵심이라고 강조한다.

그러나 저자들은 즉각적인 실질적 이점에 대해서는 신중한 입장을 유지한다. 그들은 현재 가장 잘 알려진 프로토콜인 정확한 고전 데이터를 $n$-큐비트 상태로 로드하는 방식이 $O(2^n)$으로 스케일링되는 양자 게이트 수를 필요로 한다는 점을 명시적으로 언급한다. 이러한 상태 준비 비용은 현재 양자 알고리즘의 복잡성에서 지배적인 부분을 차지하며 양자 우위(quantum advantage)의 실현을 어렵게 만든다. 본 논문은 이론적인 저장 이점은 명확하지만, 효율적인 데이터 로딩은 여전히 미해결 과제로 남아 있으며, 향후 연구에서는 RGB 이미지와 노이즈가 양자 하드웨어 구현에 미치는 영향을 탐구해야 한다고 결론짓는다.