Flexible Genetic Algorithm for Quantum Support Vector Machines

기술 요약: 양자 서포트 벡터 머신을 위한 유연한 유전 알고리즘

문제 정의
양자 서포트 벡터 머신(QSVM)은 양자 특징 맵(quantum feature maps)을 통해 고차원 데이터를 처리하는 데 잠재적인 이점을 제공하는 양자 머신러닝(QML)의 주요 프레임워크입니다. 그러나 QSVM의 성능는 매개변수화된 양자 회로(특징 맵)의 설계에 크게 의존합니다. 기존의 접근 방식은 고정된 안사츠(예: ZZFeatureMap, Hardware Efficient Embedding)에 의존하며, 이는 다양한 데이터셋에 대해 일반화하는 데 실패하는 경우가 많습니다. 이러한 고정된 회로는 두 가지 주요 과제에 직면합니다:

1. 학습 가능성 문제: 고차원 특징 공간에서는 내적의 집중 현상으로 인해 커널 행렬이 거의 균일해질 수 있어 학습이 어려워집니다.
2. 일반화 문제: 지나치게 표현력이 높은 회로는 고전적 머신러닝과 유사하게 과적합(overfitting)을 초도할 수 있습니다.
   또한, QSVM 회로를 최적화하기 위한 기존의 유전 알고리즘(GA) 접근 방식은 특정 벤치마크 데이터셋에 대한 높은 의존성, 진화된 솔루션이 최적화 목표와 일치하도록 보장하는 정규화 메커니즘의 부재, 그리고 세대를 거쳐 적합도(fitness)를 개선하기 위한 잘 정의된 진화 전략의 부재 등의 한계를 겪고 있습니다.

방법론
저자들은 최적의 양자 특징 맵을 자동으로 발견하기 위해 유전 알고리즘과 QSVM을 결합한 하이브리드 프레임워크인 GA-QSVM을 제안합니다. 이 접근 방식은 다음과 같은 2단계 최적화 구조로 작동합니다:

• 하위 수준(Low-level): 주어진 회로에 대해 최적의 초평면(hyperplane)을 찾는 QSVM.
• 상위 수준(High-level): 분류 정확도를 최대화하기 위해 최적의 회로 구조(특징 맵)를 탐색하는 GA.

주요 방법론적 구성 요소는 다음과 같습니다:

• 구성 가능한 프레임워크: 시스템은 적합도 함수, 정규화 도구, 생성기 및 GA 연산을 포함하여 진화 파라미터를 동적으로 정의하는 메타데이터 튜플($M$)을 활용합니다. 이를 통해 진화 전략을 유연하게 정의할 수 있습니다.
• 확장된 게이트 풀(Gate Pool): 90도 회전에 국한되었던 이전 연구들과 달리, 본 프레임워크는 $R_x(\theta)$, $R_y(\theta)$, $R_z(\theta)$, Hadamard ($H$), 그리고 CNOT ($CX$)를 포함하는 유연한 게이트 풀을 사용합니다.
• 정규화 메커니즘: 교차(crossover) 및 변이(mutation) 단계에서 정규화 조건을 강제하는 것이 핵심적인 혁신입니다. 본 프레임워크는 회로의 표현력과 학습 가능성의 균형을 맞추기 위해 자원을 자동 조정합니다(예: 깊이가 임계값을 초과하면 회로를 단축하거나, 필요한 개수보다 적으면 $CX$ 게이트를 추가함).
• 진화 과정: GA는 엘리트 선택(elitist selection), 일점 교차(one-point crossover), 비트 플립 변이(bit-flip mutation)를 채택합니다. 각 후보 회로의 적합도는 특정 데이터셋에 대해 훈련된 QSVM의 분류 정확도를 기반으로 평가됩니다.
• 커널 유형: 연구에서는 Fidelity Quantum Kernels(FQK)와 Projected Quantum Kernels(PQK)를 모두 평가합니다.

주요 기여

1. 자동화된 회로 설계: 본 논문은 수동적인 고정 안사츠 방식에서 벗어나 양자 특징 맵의 설계를 자동화하는 구성 가능한 GA 프레임워크를 도입했습니다.
2. 적응형 진화 전략: 제안된 방법은 정규화 메커니즘과 회로 깊이 및 게이트 수를 동적으로 조정하는 적응형 전략을 도입함으로써 기존 GA-QSVM 구현의 불안정성을 해결합니다.
3. 전이 학습 능력: 본 프레임워크는 학습된 회로 구조(안사츠)를 다른 데이터셋으로 전이하여 새로운 작업에 대한 재최적화 비용을 줄이는 능력을 보여줍니다.
4. 포괄적인 벤치마킹: 저자들은 네 가지 데이터셋(Digits, Fashion, Wine, Breast Cancer)에 대해 고전적 SVM(RBF 커널) 및 표준 고정 특징 맵을 가진 QSVM과의 비교 분석을 제공합니다.

결과
시뮬레이션된 양자 회로(Qiskit 및 Strawberry Fields/Squlearn 사용)에 대한 실험적 평가 결과는 다음과 같습니다:

• 정확도: GA-QSVM는 고전적 SVM 및 표준 QSVM과 대등하거나 때로는 더 우수한 정확도를 달s성했습니다. 구체적으로, k-겹 교차 검증(k-fold cross-validation)에서 FQK와 PQK 커널을 모두 사용한 GA-QSVM가 고전적 RBF 커널보다 우수한 성능을 보였습니다.
• 회로 특성: GA는 국부적 회전(local rotations)과 비국부적 $CX$ 게이트가 결려된 얕은 회로를 성공적으로 진화시켰습니다. FQK 최적화 회로는 더 많은 $CX$ 게이트를 포함하는 경향이 있었고, PQK 최적화 회로는 국부적 게이트와 비국부적 게이트 사이의 균형을 보였습니다.
• 하이퍼파라미터 민감도: 더 깊은 회로($d=20, 25$)와 더 큰 모집단 크기($n_{circuit}=16, 20$)가 일반적으로 더 높고 안정적인 적합도 값을 나타냈습니다. $CX$ 게이트의 수와 변이 확률은 테스트된 범위 내에서 최종 정확도에 미치는 영향이 상대적으로 적었습니다.
• 전이 학습: 복잡한 "Digits" 데이터셋에 대해 최적화된 안사츠를 "Fashion" 데이터셋으로 전이했을 때, 정확도가 크게 향상되어(FQK 기준 68.1% 도달), 고전적 SVM(65.7%) 및 표준 QSVM 접근 방식을 능가했습니다. 이는 학습된 안사츠가 더 풍부한 특징 상관관계를 포착했음을 시사합니다.

의의 및 주장
본 논문은 진화 전략이 미래의 양자 머신러닝 응용 분야에서 커널 설계를 자동화하고 향상시키는 데 상당한 잠재력을 가지고 있다고 주장합니다. 유연한 메타데이터 구성과 적응형 탐색을 허용함으로써, GA-QSVM은 수동으로 설계된 회로의 한계를 극복합니다. 저자들은 자신의 접근 방식이 커널 표현력을 개선하며, 한 데이터셋에서 훈련된 회로가 다른 도메인으로 효과적으로 일반화될 수 있음을 입증하여 다양한 작업에 대한 훈련 시간을 단축할 수 있다고 강조합니다.

그러나 저자들은 한계점에 대해 신중한 어조를 유지합니다. 그들은 반복적인 커널 평가로 인해 최적화 과정이 여전히 계산 비용이 많이 든다는 점과, GA의 확률적 특성이 실행 시마다 불안정성을 초래할 수 있다는 점을 인정합니다. 또한, 큐비트 수가 증가함에 따라 근미래 장치(near-term devices)에서의 확장성이 제한되어 회로 탐색 및 평가가 더 어려워질 수 있습니다. 향-후 연구로는 정확도, 회로 깊이, 얽힘 비용(entanglement cost)을 동시에 제어하기 위한 다목적 최적화(multi-objective optimization)에 집중할 것을 제안합니다.