기술적 요약: 양자 머신러닝을 위한 적응형 컨포멀 예측

문제 제기

양자 머신러닝 (QML) 은 양자 프로세서를 활용하여 고전 알고리즘을 강화하는 것을 목표로 하지만, 의료, 국방과 같은 고위험 분야에서 이러한 모델을 배포하려면 엄격한 불확실성 정량화가 필요합니다. 컨포멀 예측 (CP) 은 고전 모델에 대해 분포 무관하고 유한 표본 보장을 제공하지만, 이를 QML 에 적용하는 데는 비정상적 하드웨어 노이즈라는 결정적인 장애물이 존재합니다.

최근 제안된 양자 컨포멀 예측 (QCP) 프레임워크 (Park & Simeone, 2023) 를 포함한 표준 컨포멀 예측은 보정 데이터와 테스트 데이터가 교환 가능하다는 가정에 의존합니다. 이 가정은 양자 하드웨어 내의 근본적인 노이즈 프로세스가 시간에 따라 정상 상태를 유지한다는 것을 의미합니다. 그러나 현재의 잡음 중간 규모 양자 (NISQ) 장치는 온도 변동, 제어 장비 진동, 우주선 사건 등의 요인으로 인해 시간 가변적 노이즈를 나타냅니다. 저자들은 노이즈가 비정상적일 경우, 입력 데이터 분포가 정상 상태라 하더라도 양자 측정에서 도출된 컨포미티 점수 (conformity scores) 가 더 이상 교환 가능하지 않음을 입증했습니다. 결과적으로 표준 QCP 의 이론적 커버리지 보장 (즉, 실제 결과가 예측 집합 내에 있을 확률이 $1-\alpha$라는 보장) 은 무효화됩니다.

방법론

시간 의존적 노이즈로 인한 교환 가능성의 붕괴를 해결하기 위해, 저자들은 **적응형 양자 컨포멀 예측 (AQCP)**을 제안합니다. 이 접근법은 적응형 컨포멀 추론 (ACI) 프레임워크 (Gibbs & Candès, 2021) 를 양자 환경에 맞게 적용합니다.

핵심 알고리즘

AQCP 는 관측된 경험적 커버리지를 기반으로 오커버리지 수준을 동적으로 조정하는 온라인 테스트 환경에서 작동합니다. 알고리즘은 다음과 같이 진행됩니다:

1. 초기화: 보정 데이터셋 $D_{cal}$을 사용하여 초기 컨포미티 점수를 계산합니다.
2. 순차적 처리: 각 테스트 포인트 $i$에 대해, 알고리즘은 현재 오커버리지 수준 $\alpha_i$를 사용하여 예측 집합 $C_i(X_{n+i})$를 구성합니다.
3. 피드백 루프: 실제 레이블 $Y_{n+i}$가 공개된 후, 알고리즘은 오커버리지 수준을 업데이트합니다:
   $$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$$
   여기서 $\gamma$는 스텝 크기 하이퍼파라미터이며, $\text{err}_i$는 실제 레이블이 예측 집합 바깥에 있으면 1, 그렇지 않으면 0 입니다.
4. 점수 함수: 양자 모델은 결정론적 출력 대신 확률적 샘플 (샷) 을 생성하므로, AQCP 는 샘플 기반 점수 함수를 활용합니다. 논문은 네 가지 특정 함수를 평가합니다:
   • 유클리드 거리: 후보 $y$와 샷 샘플의 평균 사이의 거리.
   • k-최근접 이웃 (k-NN): 샘플 중 $k$번째로 가까운 이웃까지의 거리.
   • 커널 밀도 추정 (KDE): $y$에서의 음의 로그 밀도 추정치.
   • 고밀도 영역 (HDR): 밀도가 $y$에서의 밀도만큼 높거나 높은 영역의 추정된 확률 질량.

이론적 보장

교환 가능성 하에서 유한 표본 보장을 제공하는 표준 CP 와 달리, AQCP 는 임의의 노이즈 조건 하에서 점근적 평균 커버리지 보장을 제공합니다. 저자들은 테스트 포인트의 수 $N \to \infty$로 갈 때, 평균 오커버리지 비율이 거의 확실하게 목표 $\alpha$로 수렴함을 증명했습니다. 또한 노이즈를 지배하는 숨은 마르코프 체인에 관한 특정 가정을 하더라도 유한 표본 경계를 유도했지만, 저자들은 이러한 가정이 실제 환경에서는 정확히 성립하지 않을 수 있다고 지적했습니다.

주요 기여

이 논문은 세 가지 주요 기여를 합니다:

1. 시간 의존성의 형식화: 저자들은 양자 프로세서의 비정상적 노이즈가 컨포미티 점수의 교환 가능성을 무효화하여 표준 컨포멀 보장을 훼손하는 방식을 보여주는 이론적 프레임워크를 제공합니다.
2. 적응형 알고리즘 (AQCP): 그들은 비정상적 노이즈를 처리하기 위해 온라인 재보정을 활용하는 AQCP 알고리즘을 도입합니다. 이 알고리즘은 암시적 확률 분포 (양자 샷) 로부터의 샘플에 작동하는 점수 함수와 함께 작동하도록 설계되었습니다.
3. 포괄적인 하드웨어 평가: 이 연구는 **IBM 양자 프로세서 (ibm_sherbrooke)**와 고전 시뮬레이터에서 광범위한 실험을 수행했습니다. AQCP 의 유효성과 효율성을 분석하고 다양한 점수 함수를 비교하여, AQCP 가 표준 QCP 보다 더 큰 안정성으로 목표 커버리지 수준을 유지함을 입증했습니다.

실험 결과

실험은 Park & Simeone (2023) 의 설정을 재현하는 단변수 다중 모드 회귀 작업에서 수행되었습니다.

• 커버리지 안정성: IBM 양자 프로세서의 데이터를 사용하여, 저자들은 스텝 크기 $\gamma = 0.03$인 AQCP 를 "온라인 QCP"(즉, 피드백 조정이 없는 $\gamma = 0$인 AQCP 와 동일) 와 비교했습니다.
  • 온라인 QCP는 목표 커버리지 (예: 과커버리지 followed by 과부족 커버리지) 에서 상당한 편차를 보였으며, 명목상 90% 수준을 일관되게 유지하지 못했습니다.
  • AQCP는 모든 테스트된 점수 함수 (k-NN, 유클리드, KDE, HDR) 에 걸쳐 평균 커버리지를 90% 목표에 가깝게 일관되게 유지하며 견고한 안정성을 보여주었습니다.
• 효율성 (집합 크기): 샷 수와 점수 함수의 효과를 분리하기 위해 고전 시뮬레이터 (FakeQuitoV2) 를 사용하여:
  • KDE 및 HDR 점수 함수는 샷 수 ($M$) 가 증가함에 따라 특히 평균 예측 집합 크기가 가장 작았습니다.
  • 유클리드 및 1-NN 점수 함수는 동일한 커버리지를 달성했음에도 불구하고 HDR 에 비해 예측 집합이 훨씬 더 컸습니다 ($M=1000$에서 1.5~2 배 더 큼).
  • 모든 방법이 목표 커버리지를 달성했지만, 점수 함수의 선택은 예측 집합의 효율성 (크기) 에 상당한 영향을 미쳤습니다.

중요성과 주장

이 논문은 AQCP 가 임의의 하드웨어 노이즈 조건 하에서 QML 모델에 대한 불확실성의 신뢰할 수 있는 표현을 제공한다고 주장합니다. 이는 양자 알고리즘의 신뢰할 수 있는 배포에 필수적인 요구사항입니다.

저자들은 다음과 같이 겸손하게 주장을 펼칩니다:

• 이론적 보장은 (특정하고 잠재적으로 제한적인 가정 하를 제외하고) 유한 표본이 아닌 점근적입니다.
• 견고성에 대한 경험적 평가는 하루 동안 수집된 데이터를 기반으로 하므로, 장기적인 드리프트나 구조화된 교란을 완전히 특징짓지 못합니다.
• 이 방법은 본질적으로 순차적이므로, 다음 예측 전에 실제 응답이 공개되어야 하므로 배치 예측 설정에 직접 적용하는 데는 제한이 있습니다.

이러한 한계에도 불구하고, 이 연구는 비정상적 양자 노이즈가 존재할 때 유효성을 유지하기 위해 적응형 재보정이 필요함을 확립하여, 현재의 NISQ 시대 응용 분야에서 불확실성 정량화를 위한 실용적인 경로를 제공합니다.