Hardware-inspired Continuous Variables Quantum Optical Neural Networks

기술 요약: 하드웨어 기반 연속 변수 양자 광 신경망

문제 정의

연속 변수(Continuous-Variable, CV) 양자 광 신경망(QONN)의 개발은 실험적 실현 가능성과 계산적 보편성 사이의 근본적인 트레이드오프에 직면해 있다. 가우시안 연산(변위, 스퀴징, 빔 분할기)은 하드웨어적으로 접근 가능하며 아핀 변환을 유도하지만, 보편적 함수 근사에 필요한 비선형성이 부족하다. 보편성을 달성하려면 일반적으로 비가우시안 자원이 필요하다. 그러나 커 게이트(Kerr gates)나 큐빅 위상 게이트(cubic-phase gates)와 같은 표준적인 비가우시안 유니터리 제안은 약한 3차 서셉티빌리티(susceptibility) 또는 고성능 피드포워드 및 맞춤형 안실라 상태를 요구하기 때문에 실험적으로 매우 까다롭다. 또한, CV 시스템의 고전적 시뮬레이션은 종종 무한 차원 힐베르트 공간을 절단(truncation)하는 포크 공간 컷오프(Fock space cutoffs)에 의존하며, 이는 근사 오차를 유발하고 확장성을 제한한다.

방법론

저자들은 결정론적인 비가우시안 게이트를 사용하는 대신, **허별 광자 차감(heralded photon subtraction)**을 주요 비선형 소스로 활용하는 새롭고 실험적으로 실행 가능한 QONN 아키텍처를 제안한다. 이 아키텍처는 다음의 레이어로 구성된다:

1. 입력 인코딩: 입력 데이터 벡터는 변위 연산자를 통해 실수 코히런트 상태(real coherent states)로 인코딩된다.
2. 가우시안 프로세싱: 튜너블한 일반 가우시안 유니터리 연산자($\hat{G}$)가 적용된다. 이 연산자는 블로흐-메시야 분해(Bloch-Messiah decomposition)를 통해 인터페로미터($\hat{U}_1, \hat{U}_2$), 단일 모드 스퀴저($\hat{S}$), 그리고 변위($\hat{D}$)의 시퀀스로 분해된다. 이 레이어는 광 쿼드러처(quadratures)에 대한 아핀 변환을 수행한다.
3. 비선형 활성화: 다중 모드 광자 차감이 소멸 연산자($\hat{a}$)를 통해 수행된다. 이는 신호 모드의 미약한 일부를 빔 분할기를 통해 안실라 진공 모드로 탭핑한 후, 단일 광자 검출 이벤트(heralding)가 발생했을 때 조건부로 수행되는 물리적 방식으로 구현된다.
4. 리드아웃(Readout): 출력은 위치 쿼드러처($\langle \hat{x} \rangle$)의 호모다인 검출을 통해 얻어진다.

이론적 프레임워크:
이론적 기여의 핵심은 네트워크 출력에 대한 **폐쇄형 해석적 표현식(closed-form analytical expressions)**을 도출한 것이다. 저자들은 **보고리우 변환(Bogoliubov transformations)**과 윅-이서리스 전개(Wick–Isserlis expansion)(0이 아닌 평균에 대해 일반화됨)를 활용하여, 결과적인 비가우시안 상태의 관측값 기댓값을 기저 가우시안 상태의 1차 및 2차 통계적 모멘트(평균 및 공분산)만으로 완전히 표현한다. 이 접근 방식은 다음과 같은 이점을 가진다:

• 포크 공간 절단을 피함으로써 무한 차원 힐베르트 공간에서 정확한 시뮬레이션을 가능하게 한다.
• 해석적 미분을 통한 경사 하강법 기반 학습을 가능하게 한다.
• 광자 차감 연산을 특정 계열의 튜너블 리지(ridge) 활성화 함수로 매핑한다.

시뮬레이션 도구:
이론을 검증하기 위해 저자들은 JAX 프레임워크를 기반으로 구축된 고성능 파이썬 라이브러리인 QuaNNTO를 개발했다. 이 도구는 도출된 해석적 표현식을 사용하여 정확한 기댓값을 계산하고, MareNostrum 5 슈퍼컴퓨터에서 경사 기반 최적화를 수행한다.

주요 기여

1. 해석적 활성화 함수: 논문은 광자 차감이 스퀴즈드 코히런트 상태(squeezed coherent states)에 작용할 때 비다항식 형태의 튜너블 활성화 함수가 유도됨을 보여주는 폐쇄형 표현식(식 17)을 도출한다. 이 함수의 형태와 이득(gain)은 스퀴징 파라미터 $r$에 의해 제어된다.
2. 단일 레이어에서의 보편적 근사: 저자들은 선형 리드아웃을 갖는 단일 레이어 QONN이 **보편적 근사 정리(Universal Approximation Theorem, UAT)**를 만족함을 증명한다. 각 광자 차감 모드는 효과적으로 양자-광학 뉴런 역할을 한다. 여러 모드가 상관되어 있을 때, 추가적인 비선형 교차 항이 나타나 표현력을 향상시킨다.
3. 하드웨어 실행 가능한 설계: 이 아키텍처는 로컬 로컬라이저(local oscillators), 빔 분할기, 위상 변조기, 광 파라메트릭 증폭기(스퀴징용), 단일 광자 검출기, 광 검출기와 같이 현재의 광학 기술에서 사용 가능한 구성 요소만을 사용한다.
4. 정확한 고전적 시뮬레이션: 윅-이서리스 기반 프레임워크를 통해 포크 공간 컷오프와 관련된 계산 오버헤드나 근사 오류 없이 비가우시안 QONN을 정확하게 고전적으로 시뮬레이션할 수 있다.

결과

제안된 프레임워크는 세 가지 작업에 대해 벤치마킹되었다:

• 곡선 피팅(Curve Fitting): 광자 차감이 포함된 단일 레이어 QONN은 노이즈가 있는 데이터셋으로부터 복잡한 비선형 함수(다항식, 지수 함수, 진동 함수)를 성공적으로 학습했다. 반면, (차감이 없는) 순수 가우시안 네트워크는 선형 피팅에 국한되었다. 차감된 모드(뉴런)의 수를 늘리면 피팅 오차가 0으로 감소했으며, 이는 UAT와 일치한다.
• 분류(Classification):
  • Moons 및 Circles 데이터셋: 단일 레이어 QONN은 'Moons' 데이터셋에서는 하나의 뉴런으로, 'Circles' 데이터셋에서는 세 개의 뉴런(확률 균형을 위한 보조 모드 필요)으로 완벽한 정확도를 달랬다. 순수 가우시안 네트워크는 필요한 비선형 결정 경계를 학습하는 데 실패했다.
  • MNIST: 모델은 오토인코더를 통한 차원 축소 후, MNIST 데이터셋의 일부(숫자 0–4)를 성공적으로 분류했다. 결과는 뉴런이나 레이어를 추가하는 것이 분류 능력을 향상시킨다는 것을 나타냈다.
• 비가우시안 게이트 합성: QONN은 코히런트 상태의 고차 통계적 모멘트를 일치시킴으로써 큐빅 위상 게이트($\hat{V}(\gamma) = e^{i\gamma \hat{x}^3/3}$)의 작용을 재현하도록 학습되었다. 결과는 단일 레이어 내의 뉴런 수를 늘리거나 레이어를 추가하는 것이 게이트 합성의 충실도(fidelity)를 높임을 보여주었다. 특히, 저자들은 동일한 비가우시안 자원을 가진 넓은 단일 레이어 구성에 비해 깊은 다층 구성에서 기울기 소실(vanishing gradients)의 징후를 관찰했다.

의의 및 주장

이 논문은 제안된 아키텍처가 해석적 용이성, 실험적 실현 가능성, 그리고 높은 표현력을 결합함으로써 광자 양자 머신러닝을 위한 "스윗 스팟(sweet spot)"을 제공한다고 주장한다.

• 효율성 vs 깊이: 많은 비가우시안 이벤트가 필요한 깊은 회로(성공 확률이 기하급수적으로 낮아지고 시뮬레이션을 위해 포크 공간 절단이 필요한)에 의존하는 이전의 제안들과 달리, 이 방식은 얕은 단일 레이어 설계로 높은 표현력을 달성한다.
• 정확성: 포크 공간 컷오프를 피함으로써, 이 방법은 진정한 의미의 연속 변수 안사츠(ansatz)를 제공한다. 저자들은 이것이 확장성에 있어 매우 중요하다고 주장하는데, 계산 비용이 인위적으로 부과된 광자 수 컷오프가 아니라 모드 및 차감 횟수에 따라 스케일링되기 때문이다.
• 범용성: 광자 차감에 주된 초점을 맞추고 있지만, 저자들은 이 형식론이 래더 연산자(ladder operators)가 가우시안 상태에 작용하는 다항식으로 표현될 수 있는 모든 비가우시안 자원(약한 커 상호작용의 섭동적 구현 포함)으로 일반화될 수 있음을 언급한다.

이 연구는 제안된 단일 레이어 QONN을 결정론적인 비가우시안 게이트의 과도한 실험적 오버헤드 없이, 확장 가능한 광자 양자 머신러닝 및 양자 정보 처리 작업(예: 양자 상태 엔지니어링, 비가우시안 게이트 합성)을 위한 유망한 후보로 자리매김한다.